浙教版信息技术高中选修4 人工智能初步2.7 神经网络学习-ppt课件.pptxVIP

2.7神经网络学习;手写数字识别器;看到数字;0123456789;逐层抽象、渐进学习;;知识铺垫：1.人脑的神经机制;;W3;在默认输入数据下，请调整不同输入的权重，使得神经元被激活。;;只能解决简单的二元分类问题;多层神经网络的应用;多层神经网络的应用;全连接神经网路结构图;项目实现：手写数字识别;这个数据集包含70000张手写数字图片，包括了0-9。;importkeras

fromkeras.datasetsimportmnist

fromkeras.modelsimportSequential

fromkeras.layers.coreimportDense,Activation,Dropout

fromkeras.utilsimportnp_utils;(X_train,y_train),(X_test,y_test)=mnist.load_data()

X_train=X_train.reshape(len(X_train),-1)

X_test=X_test.reshape(len(X_test),-1)

X_train=X_train.astype(float32)

X_test=X_test.astype(float32)

X_train=(X_train-127)/127

X_test=(X_test-127)/127

nb_classes=10

y_train=np_utils.to_categorical(y_train,nb_classes)

y_test=np_utils.to_categorical(y_test,nb_classes);model=Sequential()

model.add(Dense(512,input_shape=(784,),kernel_initializer=he_normal))

model.add(Activation(relu))

model.add(Dense(512,kernel_initializer=he_normal))

model.add(Activation(relu))

model.add(Dense(nb_classes))

model.add(Activation(softmax));模型训练代码：

pile(optimizer=adam,loss=categorical_crossentropy,metrics=[accuracy])

model.fit(X_train,y_train,epochs=5,batch_size=64,verbose=1,validation_split=0.05)

模型评估代码：

loss,accuracy=model.evaluate(X_test,y_test)

print(‘Testloss:’,loss)#损失指的是模型预测与实际之间的误差

print(‘Accuracy:’,accuracy)#准确率指的是模型正确预测的样本数占总样本数的比例;训练过程监测：;训练模型文件;#加载训练好的模型

model=load_model(mnist_model.h5);项目实现3：应用模型;1.如何通过更改全连接神经网络的结构来提高模型的准确率？;1.增加全连接神经网络的层数

2.增加每一层的节点数;项目反思：;项目拓展：巴普洛夫的狗;持续刺激;感知机模型;智能驾驶;同学们，再见！