RNN 超詳細入門程式碼(mnist)
最近在看Morvan老師的視訊,入門RNN,在這裡也貼上自己根據老師的課程修改過的RNN程式碼,作為學習~
用到的是RNN 神經網路,mnist資料集
# -*- coding: utf-8 -*- import numpy as np np.random.seed(1337) from keras.datasets import mnist from keras.utils import np_utils from keras.models import Sequential from keras.layers import SimpleRNN,Activation,Dense from keras.optimizers import Adam #每個圖片就是28行,一個時間段就讀取一行 TIME_STEPS = 28 #輸入就是一個時間段輸入28個列 INPUT_SIZE = 28 #一次迴圈放入多少張圖片 BATCH_SIZE = 50 # BATCH_INDEX = 0 #輸出的標籤大小是多少 OUTPUT_SIZE = 10 #RNN中間神經元的數量 CELL_SIZE = 50 #學習率 LR = 0.001 (X_train,y_train),(X_test,y_test) = mnist.load_data() #data process--------------------------- X_train = X_train.reshape(-1, 28, 28) / 255. # normalize X_test = X_test.reshape(-1, 28, 28) / 255. # normalize #對標籤進行one-hot 編碼 y_train = np_utils.to_categorical(y_train, num_classes=10) y_test = np_utils.to_categorical(y_test, num_classes=10) #start to build RNN model---------------- model = Sequential() model.add(SimpleRNN(input_dim=INPUT_SIZE, input_length=TIME_STEPS,output_dim=CELL_SIZE, unroll=True)) #輸出層 model.add(Dense(OUTPUT_SIZE)) model.add(Activation('softmax')) #優化器設定 adam = Adam(LR) model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy']) #訓練 #迭代次數 train_num = 5000 for step in range(train_num): # data shape = (batch_num, steps, inputs/outputs) X_batch = X_train[BATCH_INDEX: BATCH_INDEX + BATCH_SIZE, :, :] Y_batch = y_train[BATCH_INDEX: BATCH_INDEX + BATCH_SIZE, :] cost = model.train_on_batch(X_batch, Y_batch) BATCH_INDEX += BATCH_SIZE BATCH_INDEX = 0 if BATCH_INDEX >= X_train.shape[0] else BATCH_INDEX if step % 500 == 0: cost, accuracy = model.evaluate(X_test, y_test, batch_size=y_test.shape[0], verbose=False) print('test cost: ', cost, 'test accuracy: ', accuracy)
相關推薦
RNN 超詳細入門程式碼(mnist)
最近在看Morvan老師的視訊,入門RNN,在這裡也貼上自己根據老師的課程修改過的RNN程式碼,作為學習~用到的是RNN 神經網路,mnist資料集# -*- coding: utf-8 -*- i
資料探勘領域十大經典演算法之—樸素貝葉斯演算法(超詳細附程式碼)
簡介 NaïveBayes演算法,又叫樸素貝葉斯演算法,樸素:特徵條件獨立;貝葉斯:基於貝葉斯定理。屬於監督學習的生成模型,實現簡單,沒有迭代,並有堅實的數學理論(即貝葉斯定理)作為支撐。在大量樣本下會有較好的表現,不適用於輸入向量的特徵條件有關聯的場景。 基本思想 (1)
資料探勘領域十大經典演算法之—SVM演算法(超詳細附程式碼)
簡介 SVM(Support Vector Machine)中文名為支援向量機,是常見的一種判別方法。在機器學習領域,是一個有監督的學習模型,通常用來進行模式識別、分類以及迴歸分析。 相關概念 分類器:分類器就是給定一個樣本的資料,判定這個樣本屬於哪個類別的演算法。例如在股
資料探勘領域十大經典演算法之—CART演算法(超詳細附程式碼)
簡介 CART與C4.5類似,是決策樹演算法的一種。此外,常見的決策樹演算法還有ID3,這三者的不同之處在於特徵的劃分: ID3:特徵劃分基於資訊增益 C4.5:特徵劃分基於資訊增益比 CART:特徵劃分基於基尼指數 基本思想 CAR
資料探勘領域十大經典演算法之—C4.5演算法(超詳細附程式碼)
資料探勘十大經典演算法如下: 簡介 C4.5是決策樹演算法的一種。決策樹演算法作為一種分類演算法,目標就是將具有p維特徵的n個樣本分到c個類別中去。常見的決策樹演算法有ID3,C4.5,CART。 基本思想 下面以一個例子來詳細說明C4.5的基本思想 上述
資料探勘領域十大經典演算法之—K-鄰近演算法/kNN(超詳細附程式碼)
簡介 又叫K-鄰近演算法,是監督學習中的一種分類演算法。目的是根據已知類別的樣本點集求出待分類的資料點類別。 基本思想 kNN的思想很簡單:在訓練集中選取離輸入的資料點最近的k個鄰居,根據這個k個鄰居中出現次數最多的類別(最大表決規則),作為該資料
HMM超詳細講解+程式碼
寫在前面 老習慣,正文之前瞎扯一通。HMM學了很久,最初是在《統計學自然語言處理》裡面就學到了相關內容,並且知道HMM CRF一直都是NLP比較底層比較基礎且較為有效的演算法模型(雖然感覺還是挺難的),之前僅僅侷限在瞭解前向演算法和維特比演算法上。也
hadoop 超詳細入門wordcount
概述 今天部落格收到了第一條評論,感覺很贊哦,最近一直在學習hadoop,主要是結合《實戰Hadop:開啟通向雲端計算的捷徑(劉鵬)》,然後apache官網的doc(還是要以官網為主,雖然是全英文的,但總比那些版本都不對的部落格來開得多得多),自己嘗試了一下h
tensorflow(六)訓練分類自己的圖片(CNN超詳細入門版)
之前一直用caffe做影象方面的東西,由於tensorflow環境配置簡單,綜合表現較為出色,因此打算轉戰tensorflow。學習這個框架,最開始還是要跑一跑文件中的mnist小程式(具體請參照tensorflow官方文件)。但是mnist中都是處理好的資料,
字首和 線段樹 樹狀陣列講解(超詳細入門)
部落格目錄 Part one、字首和 引入問題:現輸入長度為n的數列co,再輸入q個詢問,每個詢問都給出兩個整數l,r。對於每個詢問都要求給出對於數列co在區間[l,r]上的和(假設下標從0開始)。 1. 最直觀的方法,就是直接暴力求解,每給出一對l
【智慧演算法】粒子群演算法(Particle Swarm Optimization)超詳細解析+入門程式碼例項講解
喜歡的話可以掃碼關注我們的公眾號哦,更多精彩盡在微信公眾號【程式猿聲】 01 演算法起源 粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源於對鳥群捕食的行為研究 。該演算法最初是受到飛鳥叢集
java程式設計師菜鳥進階(十三)linux基礎入門(一)vmvare下安裝linux RedHat圖解(超詳細篇)
對於linux,我從大二就想學習一下,但一直苦於無從下手,所以一直拖到現在,鑑於筆者瞭解很多人在linux入門的困難在何處,所以我認為本套入門基礎文章還是挺適合想學習linux的朋友,本系列文章大約十篇文章左右,近期會不斷更新下來,沒有linux基礎但又想學習linux的朋友可以關注一下本系列
樹狀陣列徹底入門,演算法小白都看得懂的超詳細解析
樹狀陣列 重點是在樹狀的陣列 大家都知道二叉樹吧 葉子結點代表A陣列A[1]~A[8] ....... 現在變形一下 現在定義每一列的頂端結點C[]陣列 如下圖 &
spring boot2.0一看就會的超詳細快速入門(一)
maven構建方式一:pom.xml檔案中用parent標籤配置依賴傳遞 開發工具:eclipse 版本:Oxygen.3a Release(4.7.3a) 開發環境 :win10 步聚1 :新建maven工程 勾選建立一個簡單工程,跳過骨架選擇,點選下一步,如圖: 在配置
spring boot2.0一看就會的超詳細快速入門(三)-自定義父POM
步聚一:新建maven工程,如下圖: 把pom型別修改為pom,點選完成按鈕,表示是一個父工程: 步聚二:配置pom.xml檔案,如下圖: 步驟三:新建子maven工程,配置type為jar,並繼承springboot-parent工程,如下圖: 步聚四:配置Springboo
spring boot2.0一看就會的超詳細快速入門(五)-開發人員工具devtools
spring-boot-devtools模組可以包含在任何專案中,使應用程式開發更加方便 maven repository: <dependencies> <dependency> <groupId>org.springframework.boot</gr
spring boot2.0一看就會的超詳細快速入門(六)-整合Thymeleaf模板引擎
1.理解Thymeleaf 1.1 Thymeleaf是一個適用於Web和獨立環境的伺服器端java模板引擎,能夠處理HTML、XML、JavaScript、CSS甚至純檔案,常見類似的工具有JSP、Freemarker等 1.2 Thymeleaf遵循的是一個自然模板的概念,主要目標是提供一種優雅且高度
spring boot2.0一看就會的超詳細快速入門(七)-訪問靜態資源
常用靜態資源包含 :js、css、圖片、音視訊等 靜態資源路徑:指系統可以直接訪問的路徑,且路徑下的所有檔案都可以被直接讀取 Springboot預設提供靜態資源目錄位置位於classpath下,目錄需要符合以下規則: /static /publi
網際網路公司分散式叢集架構圖入門解析(簡單通俗易懂,超詳細)
一、小型公司網路架構 狗子是某大學計算機專業本科應屆畢業生,由於自己的技術不錯,再加上網際網路產業的巨大利潤的驅使,狗子決定走上創業這條路,於是,狗子聯合了同學二黑,雞子,狗蛋等人花費了幾個月的時間寫出了一套網站,是關於足球資訊的pc端網站加上手機APP客戶端。現在產品測試成功了,準備釋
JMeter效能測試入門篇,超詳細
原文轉自:https://blog.csdn.net/lovesoo/article/details/78579547 1. Jmeter簡介 Apache JMeter是一款純java編寫負載功能測試和效能測試開源工具軟體。相比Loadrunner而言,JMeter小巧輕便且免費,逐漸成為了主流的效能測