使用 Keras 的 Softmax 回归
先决条件：逻辑回归
Keras 入门：
深度学习是机器学习框架的主要子领域之一。它受到 Theano、TensorFlow、Caffe、Mxnet 等各种库的支持，Keras 是最强大且易于使用的Python库之一，它建立在流行的深度学习库（如 TensorFlow、Theano 等）之上，用于创建深度学习模型。
Keras 提供了一组数据集，可用于训练和测试模型。 Fashion MNIST 数据集是tf.keras数据集 API 中可用数据集的一部分。该数据集包含7万张时尚物品图像，分布在 10 个类别中，如鞋、包、T 恤等，这些图像被缩放为28 x 28灰度像素。
方法：
因此，方法是首先加载MNIST 对象数据集，然后我们将使用Matplotlib查看示例，以便更好地了解数据集。最后，我们将使用Keras API通过构建神经网络对它们进行分类。稍后我们将在测试集上测试我们训练好的模型，以检查我们模型的准确性。
执行：
代码：加载数据
Python3
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()Python3
import numpy as np
np.set_printoptions(linewidth = 200)
import matplotlib.pyplot as plt
plt.imshow(training_images[42])
# printing training labels and training images
print(training_labels[42])
print(training_images[42])Python3
training_images = training_images / 255.0
test_images = test_images / 255.0Python3
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation = tf.nn.relu),
tf.keras.layers.Dense(10, activation = tf.nn.softmax)])Python3
model.compile(optimizer = tf.optimizers.Adam(),
loss = 'sparse_categorical_crossentropy',
metrics =['accuracy'])
model.fit(training_images, training_labels, epochs = 5)Python3
model.evaluate(test_images, test_labels)对该对象调用 load_data 将为我们提供两组列表，每组两个列表，它们将是包含数据集项及其标签的图形的训练和测试值。
代码：理解数据
Python3
import numpy as np
np.set_printoptions(linewidth = 200)
import matplotlib.pyplot as plt
plt.imshow(training_images[42])
# printing training labels and training images
print(training_labels[42])
print(training_images[42])
输出：
9
[[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 82 187 26 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 179 240 237 255 240 139 83 64 43 60 54 0 1]
[ 0 0 0 0 0 0 0 0 0 1 0 0 1 0 58 239 222 234 238 246 252 254 255 248 255 187 0 0]
[ 0 0 0 0 0 0 0 0 0 0 2 3 0 0 194 239 226 237 235 232 230 234 234 233 249 171 0 0]
[ 0 0 0 0 0 0 0 0 0 1 1 0 0 10 255 226 242 239 238 239 240 239 242 238 248 192 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 172 245 229 240 241 240 241 243 243 241 227 250 209 0 0]
[ 0 0 0 0 0 0 0 0 0 6 5 0 62 255 230 236 239 241 242 241 242 242 238 238 242 253 0 0]
[ 0 0 0 0 0 0 0 0 0 3 0 0 255 235 228 244 241 241 244 243 243 244 243 239 235 255 22 0]
[ 0 0 0 0 0 0 0 0 0 0 0 246 228 220 245 243 237 241 242 242 242 243 239 237 235 253 106 0]
[ 0 0 3 4 4 2 1 0 0 18 243 228 231 241 243 237 238 242 241 240 240 240 235 237 236 246 234 0]
[ 1 0 0 0 0 0 0 0 22 255 238 227 238 239 237 241 241 237 236 238 239 239 239 239 239 237 255 0]
[ 0 0 0 0 0 25 83 168 255 225 225 235 228 230 227 225 227 231 232 237 240 236 238 239 239 235 251 62]
[ 0 165 225 220 224 255 255 233 229 223 227 228 231 232 235 237 233 230 228 230 233 232 235 233 234 235 255 58]
[ 52 251 221 226 227 225 225 225 226 226 225 227 231 229 232 239 245 250 251 252 254 254 252 254 252 235 255 0]
[ 31 208 230 233 233 237 236 236 241 235 241 247 251 254 242 236 233 227 219 202 193 189 186 181 171 165 190 42]
[ 77 199 172 188 199 202 218 219 220 229 234 222 213 209 207 210 203 184 152 171 165 162 162 167 168 157 192 78]
[ 0 45 101 140 159 174 182 186 185 188 195 197 188 175 133 70 19 0 0 209 231 218 222 224 227 217 229 93]
[ 0 0 0 0 0 0 2 24 37 45 32 18 11 0 0 0 0 0 0 72 51 53 37 34 29 31 5 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]]
正常化：
请注意，数字中的所有值都在 0 到 255 之间。如果我们正在训练神经网络，由于各种原因，如果我们将所有值都视为 0 到 1 之间的值会更容易，这个过程称为“归一化”……幸运的是，在Python中无需循环就可以很容易地标准化这样的列表。我们可以这样做：
代码：
Python3
training_images = training_images / 255.0
test_images = test_images / 255.0
代码：实现 Keras 模型
Python3
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation = tf.nn.relu),
tf.keras.layers.Dense(10, activation = tf.nn.softmax)])
- 顺序：定义神经网络中层的顺序。
- 展平：它只是获取图像并将其转换为一维集。
- 密集：添加一层神经元。
- 每一层神经元都需要一个激活函数来告诉他们该做什么。有很多选择，但现在只使用这些。
- Relu：实际上意味着“如果X > 0返回X ，否则返回 0”——所以它只将 0 或更大的值传递给网络中的下一层。
- Softmax：采用一组值，并有效地选择最大的一个，因此，例如，如果最后一层的输出看起来像[0.1, 0.1, 0.05, 0.1, 9.5, 0.1, 0.05, 0.05, 0.05] ，它使您免于钓鱼寻找最大值，并将其变成[0, 0, 0, 0, 1, 0, 0, 0, 0] 。目标是节省大量编码
第 5 步：编译模型
现在模型已经定义，接下来要做的就是实际构建它。您可以像以前一样使用优化器和损失函数对其进行编译，然后通过调用model.fit来训练它，要求它使您的训练数据适合您的训练标签，即让它找出训练数据与其实际标签之间的关系，所以将来，如果你有看起来像训练数据的数据，那么它可以预测该数据的样子。
代码：
Python3
model.compile(optimizer = tf.optimizers.Adam(),
loss = 'sparse_categorical_crossentropy',
metrics =['accuracy'])
model.fit(training_images, training_labels, epochs = 5)
输出：
Instructions for updating:
Colocations handled automatically by placer.
Epoch 1/5
60000/60000 [==============================] - 8s 130us/sample - loss: 0.4714 - acc: 0.8322
Epoch 2/5
60000/60000 [==============================] - 8s 137us/sample - loss: 0.3598 - acc: 0.8683
Epoch 3/5
60000/60000 [==============================] - 9s 142us/sample - loss: 0.3201 - acc: 0.8824
Epoch 4/5
60000/60000 [==============================] - 8s 131us/sample - loss: 0.2949 - acc: 0.8917
Epoch 5/5
60000/60000 [==============================] - 8s 140us/sample - loss: 0.2767 - acc: 0.9098一旦完成训练，我们应该在最后一个 epoch 结束时看到一个准确度值。它可能看起来像 0.9098。这告诉我们，您的神经网络在分类训练数据方面的准确率约为 91%。即，它找出了图像和标签之间的模式匹配，91% 的时间都有效。不是很好，但考虑到它只训练了 5 个 epoch 并且完成得很快，也不错。
第 6 步：模型评估
但是它如何处理看不见的数据呢？这就是我们有测试图像的原因。我们可以调用model.evaluate ，传入两个集合，它会报告每个集合的损失。
代码：
Python3
model.evaluate(test_images, test_labels)
输出：
10000/10000 [==============================] - 1s 60us/sample - loss: 0.2908 - acc: 0.8956最后，我们训练了我们的模型，并在看不见的数据集上获得了 90% 的准确率。这很不错。
使用 KERAS 的优势：
我们已经看到，我们的计算只是减少到 7-8 行而不是 100 行代码。棒极了。总体而言，这有助于我们节省时间和精力，并减少代码出错的机会。