Keras实践笔记4——深度多层感知模型
- 前端
- Stella981
- 0
from keras.datasets import mnist
from keras.layers import Dense, Dropout
from keras.models import Sequential
from keras.optimizers import RMSprop
from keras.utils import np_utils
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)
model = Sequential()
model.add(Dense(output_dim=625, input_dim=784, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(output_dim=625, input_dim=625, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(output_dim=10, input_dim=625, activation='softmax'))
model.compile(optimizer=RMSprop(), loss='categorical_crossentropy', metrics=['accuracy'])
model.summary()
model.fit(X_train, Y_train, nb_epoch=100, batch_size=128, verbose=2,
validation_data=(X_test,Y_test))
依然是我们熟悉的MNIST数据集，这次的全连接层采用了relu这个激活函数,relu函数的形态如下，他会让小于0的值都变为0
这一次的新面孔是Dropout层，这一层主要是用来随机断开一些神经元，让他们不要往下传播。
另外一个新面孔是RMSprop 这个优化器，他是为了解决 Adagrad 学习率急剧下降问题的，那究竟是怎么回事呢，暂且先跳过，留到后续再讨论。
免责申明：本站发布的内容（图片、视频和文字）以转载和分享为主，文章观点不代表本站立场，如涉及侵权请联系站长邮箱：xbc-online@qq.com进行反馈，一经查实，将立刻删除涉嫌侵权内容。
