📜  使用Keras进行深度学习-编译模型

📅  最后修改于: 2020-12-11 05:04:54             🧑  作者: Mango


使用一个称为compile的单个方法调用执行编译

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

编译方法需要几个参数。 loss参数被指定为类型‘categorical_crossentropy’ 。指标参数设置为“准确性” ,最后我们使用亚当优化器来训练网络。此阶段的输出如下所示-

编译方法

现在,我们准备将数据输入到我们的网络中。

加载数据中

如前所述,我们将使用Keras提供的mnist数据集。当我们将数据加载到系统中时,我们会将其拆分为训练和测试数据。通过调用load_data方法来加载数据,如下所示:

(X_train, y_train), (X_test, y_test) = mnist.load_data()

此阶段的输出如下所示:

加载数据中

现在,我们将学习加载的数据集的结构。

提供给我们的数据是大小为28 x 28像素的图形图像,每个图像包含0到9之间的一位数字。我们将在控制台上显示前十个图像。这样做的代码如下-

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

在10个计数的迭代循环中,我们在每次迭代中创建一个子图,并在其中显示来自X_train矢量的图像。我们从相应的y_train向量为每个图像添加标题。注意,y_train载体含有在X_train矢量对应的图像的实际值。我们通过使用null参数调用xticksyticks这两个方法删除x和y轴标记。运行代码时,您将看到以下输出-

检查数据点

接下来,我们将准备数据以将其输入到我们的网络中。