from keras.models import sequential
from keras.layers import dense
import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import stratifiedkfold
# 構建模型
def create_model():
# 構建模型
model = sequential()#順序模型
model.add(dense(units=12, input_dim=8, activation='relu'))#輸入層8個節點，隱藏層12個，啟用函式relu
model.add(dense(units=8, activation='relu'))#隱藏層8個，啟用函式relu
model.add(dense(units=1, activation='sigmoid'))#輸出層1個，啟用函式sigmoid
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 編譯模型
return model
seed = 7
np.random.seed(seed)# 設定隨機數種子
# 匯入資料
dataset = np.loadtxt('d:\example\keras\pima-indians-diabetes.csv', delimiter=',')
# 分割輸入x和輸出y，x是已知x，y是標準答案
x = dataset[:, 0 : 8]#取二維陣列中第1（m）維到7維（第n-1維）的所有資料，相當於取第1（m）列到第七（n-1）列的所有資料
y = dataset[:, 8]#取二維陣列中第9維的所有資料，相當於取第9列的所有資料
#建立模型 for scikit-learn
model = kerasclassifier(build_fn=create_model, epochs=15, batch_size=10, verbose=0)
# 10折交叉驗證
kfold = stratifiedkfold(n_splits=10, shuffle=true, random_state=seed)
results = cross_val_score(model, x, y, cv=kfold)
print(results.mean())
'''verbose = 0 為不在標準輸出流輸出日誌資訊
'''
Keras深度學習（四）
今天測試前幾天所提到的演算法 1.使用keras定義簡單的神經網路 from future import print function import numpy as np from keras.datasets import mnist from keras.models import seque...
深度學習 實驗四 Keras基礎與簡單應用
搭建keras開發環境，掌握基於tensorflow的高階api框架keras的基本用法，通過mnist手寫數字體資料集，搭建基於keras api的神經網路，並用來識別手寫數字體。1.匯入模組 匯入實驗所需的相關模組 datasets模組中匯入資料集mnist模組 layer.core模組匯入de...
寒假自學 四
希望所有溫柔又可愛的人最後都能幸福 今日總結 量200行 部落格量一篇 所學時間 4小時左右 了解到的知識點 python物件導向基礎 明日計畫 早上python物件導向封裝 下午python物件導向封裝晚上無 具體內容 物件導向 opp 過程和函式 面向過程的特點 注重步驟與過程，不注重職責分工 ...