Python深度學習筆記（三）二分類模型

繼續來寫我的學習筆記 -----二分類問題

我從資料的處理，模型的構架，訓練過程，驗證模型及損失和精度的比較這幾個方面來介紹。

from keras.datasets import  imdb

(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words=10000)

import numpy as np

def vectorize_sequences(sequences,dimension=10000):
results = np.zeros((len(sequences),dimension))
for i,sequence in enumerate(sequences):
results[i,sequence]=1.
return results
x_train=vectorize_sequences(train_data)
x_test=vectorize_sequences(test_data)
y_train=np.asarray(train_labels).astype('float32')
y_test =np.asarray(test_labels).astype('float32')

from keras import models

from keras import layers
model = models.sequential()
model.add(layers.dense(16,activation='relu',input_shape=(10000,)))
model.add(layers.dense(16,activation='relu'))
model.add(layers.dense(1,activation='sigmoid'))

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',
metrics=['accuracy'])

from keras.datasets import  imdb

import numpy as np
from keras import models
from keras import layers
import matplotlib.pyplot as plt
(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words=10000)
def vectorize_sequences(sequences,dimension=10000):
results = np.zeros((len(sequences),dimension))
for i,sequence in enumerate(sequences):
results[i,sequence]=1.
return results
x_train=vectorize_sequences(train_data)
x_test=vectorize_sequences(test_data)
y_train=np.asarray(train_labels).astype('float32')
y_test =np.asarray(test_labels).astype('float32')
print(x_train[0])
x_val=x_train[:10000]
partial_x_train=x_train[10000:]
y_val = y_train[:10000]
partial_y_train=y_train[10000:]
model = models.sequential()
model.add(layers.dense(16,activation='relu',input_shape=(10000,)))
model.add(layers.dense(16,activation='relu'))
model.add(layers.dense(1,activation='sigmoid'))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
history=model.fit(partial_x_train,
partial_y_train,
epochs=20,
batch_size=512,
validation_data=(x_val,y_val))
history_dict=history.history
loss_values=history_dict['loss']
val_loss_values=history_dict['val_loss']
epochs=range(1,len((loss_values)+1))
plt.plot(epochs,loss_values,'bo',label='training loss')
plt.plot(epochs,val_loss_values,'b',label='validation loss')
plt.title('training and validation loss')
plt.xlabel('epochs')
plt.ylabel('loss')
plt.legend()
plt.show()

排序系列三 二分查詢法

不錯，因為考慮到在實際專案中，排序和查詢經常是兩個好 二者息息相關，相互依存。故為了大家更好的接手老闆交給你的實際工作，而不至於被說成是 新兵蛋子 我覺得大家有必要和我來學學這個查詢法。言歸正傳，首先假定乙個有序整數序列儲存在陣列list max 中,即list 0 1 num search 2 n...

WQS二分 學習筆記

我的理解 不一定很對 大概就是某個東西越多總貢獻越大，要求剛好取n個時的最優解。可以把 dp 狀態裡記的取的個數這一維去掉，而設乙個 co st，取 k 個物品，總貢獻要多減去cost k，然後 dp cos t 越大，物品數取越少。二分 co st使得 dp 得到的答案剛好取了 n 個物品。設 g...

學習筆記 二分查詢

二分查詢的前提必須是乙個有序的陣列 這裡提供兩個 乙個是查詢乙個值的一個下標，另乙個是查詢乙個值的一組下標 二分查詢 注意 前提是該陣列是有序的 param arr 查詢的陣列 param left 左邊索引 param right 右邊索引 param value 要查詢的值 return 要查詢...