【小白學(xué)習(xí)keras教程】一、基于波士頓住房數(shù)據(jù)集訓(xùn)練簡單的MLP回歸模型

「@Author：Runsen」

多層感知機(jī)（MLP）有著非常悠久的歷史，多層感知機(jī)(MLP)是深度神經(jīng)網(wǎng)絡(luò)(DNN)的基礎(chǔ)算法

MLP基礎(chǔ)知識

• 目的：創(chuàng)建用于簡單回歸/分類任務(wù)的常規(guī)神經(jīng)網(wǎng)絡(luò)（即多層感知器）和Keras

MLP結(jié)構(gòu)

• 每個(gè)MLP模型由一個(gè)輸入層、幾個(gè)隱藏層和一個(gè)輸出層組成
• 每層神經(jīng)元的數(shù)目不受限制

回歸任務(wù)的MLP

• 當(dāng)目標(biāo)（「y」）連續(xù)時(shí)
• 對于損失函數(shù)和評估指標(biāo)，通常使用均方誤差（MSE）

from tensorflow.keras.datasets import boston_housing
(X_train, y_train), (X_test, y_test) = boston_housing.load_data()

數(shù)據(jù)集描述

• 波士頓住房數(shù)據(jù)集共有506個(gè)數(shù)據(jù)實(shí)例（404個(gè)培訓(xùn)和102個(gè)測試）
• 13個(gè)屬性（特征）預(yù)測“某一地點(diǎn)房屋的中值”
• 文件編號：https://keras.io/datasets/

1.創(chuàng)建模型

• Keras模型對象可以用Sequential類創(chuàng)建
• 一開始，模型本身是空的。它是通過「添加」附加層和編譯來完成的
• 文檔：https://keras.io/models/sequential/

from tensorflow.keras.models import Sequential

model = Sequential()

1-1.添加層

• Keras層可以「添加」到模型中
• 添加層就像一個(gè)接一個(gè)地堆疊樂高積木
• 文檔：https://keras.io/layers/core/

from tensorflow.keras.layers import Activation, Dense
# Keras model with two hidden layer with 10 neurons each 
model.add(Dense(10, input_shape = (13,)))    # Input layer => input_shape should be explicitly designated
model.add(Activation('sigmoid'))
model.add(Dense(10))                         # Hidden layer => only output dimension should be designated
model.add(Activation('sigmoid'))
model.add(Dense(10))                         # Hidden layer => only output dimension should be designated
model.add(Activation('sigmoid'))
model.add(Dense(1))                          # Output layer => output dimension = 1 since it is regression problem
# This is equivalent to the above code block
model.add(Dense(10, input_shape = (13,), activation = 'sigmoid'))
model.add(Dense(10, activation = 'sigmoid'))
model.add(Dense(10, activation = 'sigmoid'))
model.add(Dense(1))

1-2.模型編譯

• Keras模型應(yīng)在培訓(xùn)前“編譯”
• 應(yīng)指定損失類型（函數(shù)）和優(yōu)化器
• 文檔（優(yōu)化器）：https://keras.io/optimizers/
• 文檔（損失）：https://keras.io/losses/

from tensorflow.keras import optimizers

sgd = optimizers.SGD(lr = 0.01)    # stochastic gradient descent optimizer

model.compile(optimizer = sgd, loss = 'mean_squared_error', metrics = ['mse'])    # for regression problems, mean squared error (MSE) is often employed

模型摘要

model.summary()

odel: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 10)                140       
_________________________________________________________________
activation (Activation)      (None, 10)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 10)                110       
_________________________________________________________________
activation_1 (Activation)    (None, 10)                0         
_________________________________________________________________
dense_2 (Dense)              (None, 10)                110       
_________________________________________________________________
activation_2 (Activation)    (None, 10)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 11        
_________________________________________________________________
dense_4 (Dense)              (None, 10)                20        
_________________________________________________________________
dense_5 (Dense)              (None, 10)                110       
_________________________________________________________________
dense_6 (Dense)              (None, 10)                110       
_________________________________________________________________
dense_7 (Dense)              (None, 1)                 11        
=================================================================
Total params: 622
Trainable params: 622
Non-trainable params: 0
_________________________________________________________________

2.培訓(xùn)

• 使用提供的訓(xùn)練數(shù)據(jù)訓(xùn)練模型

model.fit(X_train, y_train, batch_size = 50, epochs = 100, verbose = 1)

3.評估

• Keras模型可以用evaluate（）函數(shù)計(jì)算
• 評估結(jié)果包含在列表中
• 文檔：https://keras.io/metrics/

results = model.evaluate(X_test, y_test)

print(model.metrics_names)     # list of metric names the model is employing
print(results)                 # actual figure of metrics computed

print('loss: ', results[0])
print('mse: ', results[1])