Python深度学习笔记04--使用Kears进行多分类

import keras
from keras.datasets import reuters
import numpy as np
from keras import models
from keras import layers
import matplotlib.pyplot as plt

#1. 获取数据集
(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)

# print(train_data.shape)#(8982,)
# print(test_data.shape)#(2246,)


#2. 数据处理
#2.1 将整数序列编码为二进制矩阵
def vectorize_sequences(sequences, dimension=10000):
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results

#2.2 将训练集和测试集进行编码
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

#2.3 独热码
def to_one_hot(labels, dimension=46):
    results = np.zeros((len(labels), dimension))
    for i, label in enumerate(labels):
        results[i, label] = 1.
    return results

#2.4 将列表编码为独热码
one_hot_train_labels = to_one_hot(train_labels)
one_hot_test_labels = to_one_hot(test_labels)

# #2.4 等同于
# from keras.utils.np_utils import to_categorical
# one_hot_train_labels = to_categorical(train_labels)
# one_hot_test_labels = to_categorical(test_labels)

#3. 建立网络模型
from keras import models
from keras import layers

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

#4. 设置编译三参数
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])


# #4.x 如果使用整数张量进行编码，
# #则替换为sparse_categorical_crossentropy损失函数
# y_train = np.array(train_labels)
# y_test = np.array(test_labels)

# model.compile(optimizer='rmsprop',
#               loss='sparse_categorical_crossentropy',
#               metrics=['accuracy'])              


#5. 使用验证集确定epochs等超参数
x_val = x_train[:1000]
partial_x_train = x_train[1000:]

y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]

history = model.fit(partial_x_train,partial_y_train,epochs=10,batch_size=512,validation_data=(x_val,y_val))


# #验证损失与迭代轮数的关系
# loss = history.history['loss']
# val_loss = history.history['val_loss']

# epochs = range(1, len(loss) + 1)

# plt.plot(epochs, loss, 'bo', label='Training loss')
# plt.plot(epochs, val_loss, 'b', label='Validation loss')
# plt.title('Training and validation loss')
# plt.xlabel('Epochs')
# plt.ylabel('Loss')
# plt.legend()

# plt.show()


# #验证精度与迭代轮数的关系
# plt.clf()   # clear figure

# acc = history.history['accuracy']
# val_acc = history.history['val_accuracy']

# plt.plot(epochs, acc, 'bo', label='Training acc')
# plt.plot(epochs, val_acc, 'b', label='Validation acc')
# plt.title('Training and validation accuracy')
# plt.xlabel('Epochs')
# plt.ylabel('Loss')
# plt.legend()

# plt.show()


#6. 评估模型
results = model.evaluate(x_test, one_hot_test_labels)
print(results)
# [损失值,准确率]
# [0.9887034296989441, 0.7898486256599426]

#7. 进行预测
model.predict(x_test)

 

小结：

(1)如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层。

(2)对于单标签、多分类问题，网络的最后一层应该使用 softmax 激活，这样可以输出在 N个输出类别上的概率分布。

(3)这种问题的损失函数几乎总是应该使用分类交叉熵。它将网络输出的概率分布与目标的真实分布之间的距离最小化。

(4)处理多分类问题的标签有两种方法。

(5)通过分类编码（也叫 one-hot 编码）对标签进行编码，然后使用 categorical_crossentropy 作为损失函数。

(6)将标签编码为整数，然后使用 sparse_categorical_crossentropy 损失函数。

(7)如果你需要将数据划分到许多类别中，应该避免使用太小的中间层，以免在网络中造成信息瓶颈。