Keras開發一個神經網絡

關於Keras：
Keras是一個高級神經網絡API，用Python編寫，可以在TensorFlow，CNTK或Theano之上運行。

使用一下命令安裝：

pip install keras

在Keras實施深度學習的步驟

1. 加載數據。
2. 定義模型。
3. 編譯模型。
4. 擬合模型。
5. 評估模型。

　　使用Dense類描述徹底鏈接的層。 咱們能夠指定層中神經元的數量做爲第一個參數，將初始化方法指定爲第二個參數做爲init，並使用激活參數肯定激活函數。 既然定義了模型，咱們就能夠編譯它。 編譯模型使用封面下的高效數字庫（所謂的後端），如Theano或TensorFlow。 到目前爲止，咱們已經定義了咱們的模型並將其編譯爲有效計算。 如今是時候在PIMA數據上運行模型了。 咱們能夠經過調用模型上的fit（）函數來訓練或擬合咱們的數據模型。

 

import numpy as np
import pandas as pd
import keras
from keras.models import Sequential
from keras.layers import Dense

# Initializing the seed value to a integer.
seed = 7

np.random.seed(seed)

# Loading the data set (PIMA Diabetes Dataset)
dataset = pd.read_csv(r'C:/Users/Administrator/Desktop/pima-indians-diabetes.csv')
dataset.head()
dataset.shape


# Loading the input values to X and Label values Y using slicing.
X = np.mat(dataset.iloc[:, 0:8])
Y = np.mat(dataset.iloc[:,8]).reshape(-1,1)

# Initializing the Sequential model from KERAS.
model = Sequential()

# Creating a 16 neuron hidden layer with Linear Rectified activation function.
model.add(Dense(16, input_dim=8, init='uniform', activation='relu'))

# Creating a 8 neuron hidden layer.
model.add(Dense(8, init='uniform', activation='relu'))

# Adding a output layer.
model.add(Dense(1, init='uniform', activation='sigmoid'))



# Compiling the model
model.compile(loss='binary_crossentropy',
              optimizer='adam', metrics=['accuracy'])
# Fitting the model
history=model.fit(X, Y, nb_epoch=150, batch_size=10)

scores = model.evaluate(X, Y)

print("%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))

 

import matplotlib.pyplot as plt

loss =history.history['loss']
val_loss = history.history['acc']
epochs = range(1, len(loss) + 1)
plt.figure(figsize=(10,6)) 
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'r', label='acc')
plt.legend()
plt.show()