sudo pip install keras --安装

新建一个文件,里面存储的数据:第一列是属性,第二列是类别

11220044 0
11220044 0
11220044 0
11220033 1
11222244 0
11222244 0
11222444 1
11222044 0
11220044 0
11220044 0
11220044 0
11220044 0
11220044 0
11220055 1
11220066 1
11220077 1

X_test,y_test=np.loadtxt('/home/hadoop/py_test.txt',unpack='true')

这样python导入的是一个

先创建一个numpy.ndarray的数组

array([ 11220044.,  11220044.,  11220044.,  11220033.,  11222244.,
        11222244.,  11222444.,  11222044.,  11220044.,  11220044.,
        11220044.,  11220044.,  11220044.,  11220055.,  11220066.,
        11220077.])

这个数组是1*16即1行16列

这很显然不是我们想要的,因此要把数组转换一下,变成16*8的情况

这样才能处理.把前面的数组做下面改变,变成16*8的情况

x=np.array(
[
[1 ,1, 2, 2, 0, 0, 4, 4],
[1, 1 ,2, 2, 0, 0, 4, 4],
[1, 1 ,2, 2, 0, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 3, 3],
[1, 1, 2, 2, 2, 2, 4, 4],
[1, 1, 2, 2, 2, 2, 4, 4],
[1, 1, 2, 2, 2, 4, 4, 4],
[1, 1, 2, 2, 2, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 4, 4],
[1, 1, 2, 2, 0, 0, 4 ,4],
[1, 1, 2, 2, 0, 0, 5, 5],
[1, 1, 2, 2, 0, 0, 6, 6],
[1, 1, 2, 2, 0, 0, 7, 7]
]
)

from keras.utils import np_utils
Using TensorFlow backend.
>>> y_train=np_utils.to_categorical(y_train,nb_classes=2) --把分类标志变成categorical格式,这里是二分类的情况,所以nb_classes=2

>>> print y_train[:3]
[[ 1.  0.]
 [ 1.  0.]
 [ 1.  0.]]

>>> X_test,y_test=np.loadtxt('/home/hadoop/py_test.txt',unpack='true')
>>> y_test=np_utils.to_categorical(y_test,nb_classes=2)
>>> from keras.models import Sequential
>>> from keras.layers import Dense,Activation
>>> from keras.optimizers import RMSprop
>>> model=Sequential([Dense(4,input_dim=8),Activation('relu'),Dense(2),Activation('softmax')])
>>>rmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0.0)
>>> model.compile(optimizer=rmsprop,loss='categorical_crossentropy',metrics=['accuracy'])

>>> model.fit(x,y_train,nb_epoch=2,batch_size=4)
#训练两次的结果

Epoch 1/2
16/16 [==============================] - 0s - loss: 3.1792 - acc: 0.3125     
Epoch 2/2
16/16 [==============================] - 0s - loss: 2.9554 - acc: 0.3125     
<keras.callbacks.History object at 0x7f075db1af90>
>>> model.fit(x,y_train,nb_epoch=100,batch_size=4)
Epoch 1/100
16/16 [==============================] - 0s - loss: 2.7971 - acc: 0.3125     
Epoch 2/100
16/16 [==============================] - 0s - loss: 2.6670 - acc: 0.3125     
Epoch 3/100
16/16 [==============================] - 0s - loss: 2.5527 - acc: 0.3125     
Epoch 4/100
16/16 [==============================] - 0s - loss: 2.4442 - acc: 0.3125     
Epoch 5/100
16/16 [==============================] - 0s - loss: 2.3397 - acc: 0.3125     
...   
Epoch 72/100
16/16 [==============================] - 0s - loss: 0.5435 - acc: 0.8750     
Epoch 73/100
16/16 [==============================] - 0s - loss: 0.5418 - acc: 0.8750     
Epoch 74/100
16/16 [==============================] - 0s - loss: 0.5381 - acc: 0.8750     
Epoch 75/100
16/16 [==============================] - 0s - loss: 0.5349 - acc: 0.8750     
Epoch 76/100
16/16 [==============================] - 0s - loss: 0.5333 - acc: 0.8750     
Epoch 77/100
16/16 [==============================] - 0s - loss: 0.5329 - acc: 0.8750     
Epoch 78/100
16/16 [==============================] - 0s - loss: 0.5292 - acc: 0.8750     
Epoch 79/100
16/16 [==============================] - 0s - loss: 0.5266 - acc: 0.8750     
Epoch 80/100
16/16 [==============================] - 0s - loss: 0.5281 - acc: 0.8750     
Epoch 81/100
16/16 [==============================] - 0s - loss: 0.5235 - acc: 0.8750     
Epoch 82/100
16/16 [==============================] - 0s - loss: 0.5232 - acc: 0.8750     
Epoch 83/100
16/16 [==============================] - 0s - loss: 0.5208 - acc: 0.8750     
Epoch 84/100
16/16 [==============================] - 0s - loss: 0.5205 - acc: 0.8750     
Epoch 85/100
16/16 [==============================] - 0s - loss: 0.5181 - acc: 0.8750     
Epoch 86/100
16/16 [==============================] - 0s - loss: 0.5178 - acc: 0.8750     
Epoch 87/100
16/16 [==============================] - 0s - loss: 0.5153 - acc: 0.8750     
Epoch 88/100
16/16 [==============================] - 0s - loss: 0.5138 - acc: 0.8750     
Epoch 89/100
16/16 [==============================] - 0s - loss: 0.5143 - acc: 0.8750     
Epoch 90/100
16/16 [==============================] - 0s - loss: 0.5110 - acc: 0.8750     
Epoch 91/100
16/16 [==============================] - 0s - loss: 0.5108 - acc: 0.8750     
Epoch 92/100
16/16 [==============================] - 0s - loss: 0.5092 - acc: 0.8750     
Epoch 93/100
16/16 [==============================] - 0s - loss: 0.5084 - acc: 0.8750     
Epoch 94/100
16/16 [==============================] - 0s - loss: 0.5065 - acc: 0.8750     
Epoch 95/100
16/16 [==============================] - 0s - loss: 0.5058 - acc: 0.8750     
Epoch 96/100
16/16 [==============================] - 0s - loss: 0.5059 - acc: 0.8750     
Epoch 97/100
16/16 [==============================] - 0s - loss: 0.5046 - acc: 0.8750     
Epoch 98/100
16/16 [==============================] - 0s - loss: 0.5039 - acc: 0.8750     
Epoch 99/100
16/16 [==============================] - 0s - loss: 0.5028 - acc: 0.8750     
Epoch 100/100
16/16 [==============================] - 0s - loss: 0.5036 - acc: 0.8750     
<keras.callbacks.History object at 0x7f075d940f10>
上面是寻量100次的结果,可见loss一直在降,但是准确率却没有再上升,停留在0.875

下面是在测试集合上验证
>>> loss,accuracy=model.evaluate(x,y_test)
16/16 [==============================] - 0s
>>> print loss
0.501516342163
>>> print accuracy
0.875

Keras的更多相关文章

  1. [Keras] Develop Neural Network With Keras Step-By-Step

    简单地训练一个四层全连接网络. Ref: http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/ 1 ...

  2. keras 中如何自定义损失函数

    http://lazycoderx.com/2016/10/09/keras%E4%BF%9D%E5%AD%98%E6%A8%A1%E5%9E%8B%E6%97%B6%E4%BD%BF%E7%94%A ...

  3. keras安装

    找对工具真的很重要,周末和学霸折腾了一天才装了几个包,问了同事找了一个方便的包,装起来不要太快啊.二十分钟全部搞定. 一.Anaconda 真是大杀器,牛到飞起来,一键部署,所有常用的机器学习包全部包 ...

  4. ubuntu系统theano和keras的安装

    说明:系统是unbuntu14.04LTS,32位的操作系统,以前安装了python3.4,现在想要安装theano和keras.步骤如下: 1,安装pip sudo apt-get install ...

  5. neurosolutions 人工神经网络集成开发环境 keras

    人工神经网络集成开发环境 :  http://www.neurosolutions.com/ keras:   https://github.com/fchollet/keras 文档    http ...

  6. Keras官方Example里Mnist-cnn的调试运行

    问题:老板让测试运行Keras官网里的Mnist-cnn.py,结果从下载数据就是一路坑-- 当前环境:Ubuntu12.04.python2.7.Keras 1.1.1(不知道这个版本号对不对,在启 ...

  7. [Keras] mnist with cnn

    典型的卷积神经网络. Keras傻瓜式读取数据:自动下载,自动解压,自动加载. # X_train: array([[[[ 0., 0., 0., ..., 0., 0., 0.], [ 0., 0. ...

  8. [Keras] Install and environment setting

    Documentation: https://keras.io/ 1. 利用anaconda 管理python库是明智的选择. conda update conda conda update anac ...

  9. linux install Theano+Tensorflow+Keras

    安装过程中,网络状态一定要好,如果安装过程中出现time out的提示信息,今天就可以洗洗睡啦,等明天网络状态好的时候再安装. 安装过程出现不知名的错误的时候,执行第一步,update一下 1.#up ...

  10. Keras学习～试用卷积～跑CIFAR-10

    import numpy as np import cPickle import keras as ks from keras.layers import Dense, Activation, Fla ...

随机推荐

  1. GC

    垃圾回收机制的优点:释放无用的对象所占用的空间.方式:自动回收.手动回收.使用System.gc实际上是调用Runtime.getRuntime().gc()

  2. 使用jsonp跨域请求后可以获得数据，但是进入error方法，返回parseerror

    $.ajax({ url:url, dataType:'jsonp', jsonp: 'callback',//回调函数名字 jsonpCallback: 'success_jsonpCallback ...

  3. linq实现数组转符号分割的字符串（备忘）

    fitemidstr = string.Join(",", detailpre1.Select(i => i.Key.ToString()).ToArray());

  4. linux常用工具链接

    http://linuxtools-rst.readthedocs.io/zh_CN/latest/tool/lsof.html

  5. Spring原理解析-利用反射和注解模拟IoC的自动装配

  6. 用SQL命令查看Mysql数据库大小

    要想知道每个数据库的大小的话,步骤如下: 1.进入information_schema 数据库(存放了其他的数据库的信息) use information_schema; 2.查询所有数据的大小: s ...

  7. leetcode pow(x,n)实现

    题目描述: 自己实现pow(double x, int n)方法 实现思路: 考虑位运算.考虑n的二进制表示形式,以n=51(110011)为例,x^51 = x^1*x^2*x^16*x^32,因此 ...

  8. Windows 服务为宿主的WCF服务，详细图解。

    废话不多说,直接进入主题: 1.打开vs2010新建项目,选择Windows服务. 2.选中WindowsService右击,添加WCF服务. 3.添加成功后,为下图.将接口类ITestService ...

  9. CentOS7下Apache及Tomcat开启SSL

    安装: 复制代码 yum install -y openssl #使用openssl可手动创建证书 yum install -y httpd yum install -y mod_ssl 防火墙打开8 ...

  10. SQLServer针对排名函数ROWNUMBER()、RANK()、DENSE_RANK()、NTILE的研究！~

    相信大家在软件工程中经常会遇到对某些数据进行排名的问题,尤其是对于电子商务的HR来说“大手笔”是非常具有潜在价值的!~至于都有哪些价值这个超出本文的范畴不予进行说明,但是不得不说的是每一个精明的HR以 ...