[[422501]]

多層感知機(jī)(MLP)有著非常悠久的歷史，多層感知機(jī)(MLP)是深度神經(jīng)網(wǎng)絡(luò)(DNN)的基礎(chǔ)算法

MLP基礎(chǔ)知識

• 目的：創(chuàng)建用于簡單回歸/分類任務(wù)的常規(guī)神經(jīng)網(wǎng)絡(luò)(即多層感知器)和Keras

MLP結(jié)構(gòu)

• 每個MLP模型由一個輸入層、幾個隱藏層和一個輸出層組成
• 每層神經(jīng)元的數(shù)目不受限制

具有一個隱藏層的MLP

- 輸入神經(jīng)元數(shù)：3 - 隱藏神經(jīng)元數(shù)：4 - 輸出神經(jīng)元數(shù)：2

回歸任務(wù)的MLP

• 當(dāng)目標(biāo)(「y」)連續(xù)時
• 對于損失函數(shù)和評估指標(biāo)，通常使用均方誤差(MSE)

from tensorflow.keras.datasets import boston_housing 
(X_train, y_train), (X_test, y_test) = boston_housing.load_data() 

數(shù)據(jù)集描述

• 波士頓住房數(shù)據(jù)集共有506個數(shù)據(jù)實(shí)例(404個培訓(xùn)和102個測試)
• 13個屬性(特征)預(yù)測“某一地點(diǎn)房屋的中值”
• 文件編號：https://keras.io/datasets/

1.創(chuàng)建模型

• Keras模型對象可以用Sequential類創(chuàng)建
• 一開始，模型本身是空的。它是通過「添加」附加層和編譯來完成的
• 文檔：https://keras.io/models/sequential/

from tensorflow.keras.models import Sequential 
 
model = Sequential() 

1-1.添加層

• Keras層可以「添加」到模型中
• 添加層就像一個接一個地堆疊樂高積木
• 文檔：https://keras.io/layers/core/

from tensorflow.keras.layers import Activation, Dense 
# Keras model with two hidden layer with 10 neurons each  
model.add(Dense(10, input_shape = (13,)))    # Input layer => input_shape should be explicitly designated 
model.add(Activation('sigmoid')) 
model.add(Dense(10))                         # Hidden layer => only output dimension should be designated 
model.add(Activation('sigmoid')) 
model.add(Dense(10))                         # Hidden layer => only output dimension should be designated 
model.add(Activation('sigmoid')) 
model.add(Dense(1))                          # Output layer => output dimension = 1 since it is regression problem 
# This is equivalent to the above code block 
model.add(Dense(10, input_shape = (13,), activation = 'sigmoid')) 
model.add(Dense(10, activation = 'sigmoid')) 
model.add(Dense(10, activation = 'sigmoid')) 
model.add(Dense(1)) 

1-2.模型編譯

• Keras模型應(yīng)在培訓(xùn)前“編譯”
• 應(yīng)指定損失類型(函數(shù))和優(yōu)化器
• 文檔(優(yōu)化器)：https://keras.io/optimizers/
• 文檔(損失)：https://keras.io/losses/

from tensorflow.keras import optimizers 
 
sgd = optimizers.SGD(lr = 0.01)    # stochastic gradient descent optimizer 
 
model.compile(optimizer = sgd, loss = 'mean_squared_error', metrics = ['mse'])    # for regression problems, mean squared error (MSE) is often employed 

模型摘要

model.summary() 

odel: "sequential" 
_________________________________________________________________ 
Layer (type)                 Output Shape              Param #    
================================================================= 
dense (Dense)                (None, 10)                140        
_________________________________________________________________ 
activation (Activation)      (None, 10)                0          
_________________________________________________________________ 
dense_1 (Dense)              (None, 10)                110        
_________________________________________________________________ 
activation_1 (Activation)    (None, 10)                0          
_________________________________________________________________ 
dense_2 (Dense)              (None, 10)                110        
_________________________________________________________________ 
activation_2 (Activation)    (None, 10)                0          
_________________________________________________________________ 
dense_3 (Dense)              (None, 1)                 11         
_________________________________________________________________ 
dense_4 (Dense)              (None, 10)                20         
_________________________________________________________________ 
dense_5 (Dense)              (None, 10)                110        
_________________________________________________________________ 
dense_6 (Dense)              (None, 10)                110        
_________________________________________________________________ 
dense_7 (Dense)              (None, 1)                 11         
================================================================= 
Total params: 622 
Trainable params: 622 
Non-trainable params: 0 
_________________________________________________________________ 

2.培訓(xùn)

• 使用提供的訓(xùn)練數(shù)據(jù)訓(xùn)練模型

model.fit(X_train, y_train, batch_size = 50, epochs = 100, verbose = 1) 

3.評估

• Keras模型可以用evaluate()函數(shù)計算
• 評估結(jié)果包含在列表中
• 文檔：https://keras.io/metrics/

results = model.evaluate(X_test, y_test) 

print(model.metrics_names)     # list of metric names the model is employing 
print(results)                 # actual figure of metrics computed 

print('loss: ', results[0]) 
print('mse: ', results[1])