当前位置： 首页 > news >正文

基于Python Keras 实践大全

news 2025/7/13 15:03:48

我们的代码示例简短（少于 300 行代码），重点介绍了垂直深度学习工作流程。

我们所有的示例都编写为 Jupyter 笔记本，可以在 Google Colab 中一键运行，这是一个托管的笔记本环境，无需设置并在云中运行。Google Colab 包括 GPU 和 TPU 运行时。

图像分类

从头开始的图像分类

使用Keras进行图像分类的步骤

安装必要的库，确保已安装TensorFlow和Keras。

pip install tensorflow keras numpy matplotlib

import os
import numpy as np
import keras
from keras import layers
from tensorflow import data as tf_data
import matplotlib.pyplot as plt

加载并预处理数据集，以CIFAR-10为例。

from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

对标签进行独热编码。

from keras.utils import to_categorical
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

构建卷积神经网络模型。

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Densemodel = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

编译模型，指定优化器和损失函数。

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

训练模型并评估性能。

history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_acc}')

可视化训练过程。

import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

数据增强提升模型泛化能力

使用ImageDataGenerator进行数据增强。

from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,horizontal_flip=True)
datagen.fit(x_train)

使用增强后的数据训练模型。

model.fit(datagen.flow(x_train, y_train, batch_size=32),epochs=10, validation_data=(x_test, y_test))

使用预训练模型进行迁移学习

加载VGG16预训练模型。

from keras.applications import VGG16
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(32, 32, 3))

冻结预训练层并添加自定义分类层。

for layer in base_model.layers:layer.trainable = Falsemodel = Sequential()
model.add(base_model)
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dense(10, activation='softmax'))

编译并训练迁移学习模型。

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

模型保存与加载

保存训练好的模型。

model.save('image_classifier.h5')

加载保存的模型进行预测。

from keras.models import load_model
loaded_model = load_model('image_classifier.h5')
predictions = loaded_model.predict(x_test)

基于Python和Keras

以下是基于Python和Keras的机器学习与深度学习的实用示例的精选分类及部分代码示例。这些示例涵盖基础模型、计算机视觉、自然语言处理等领域，适合不同阶段的学习者参考。

基础神经网络示例

使用Keras构建全连接网络进行二分类任务：

from keras.models import Sequential
from keras.layers import Densemodel = Sequential()
model.add(Dense(16, activation='relu', input_shape=(20,)))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)

手写数字识别（MNIST）

import torch
import torch.nn as nnclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.fc1 = nn.Linear(784, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = torch.relu(self.fc1(x))x = self.fc2(x)return x

卷积神经网络（CNN）示例

MNIST手写数字识别实现：

from keras.layers import Conv2D, MaxPooling2D, Flattenmodel = Sequential()
model.add(Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)))
model.add(MaxPooling2D((2,2)))
model.add(Flatten())
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

循环神经网络（RNN）示例

LSTM文本生成模型：

from keras.layers import LSTM, Embeddingmodel = Sequential()
model.add(Embedding(vocab_size, 50, input_length=max_len))
model.add(LSTM(100, return_sequences=True))
model.add(Dense(vocab_size, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam')

循环神经网络（RNN）文本分类

from tensorflow.keras.layers import Embedding, SimpleRNNmodel = Sequential([Embedding(10000, 32),SimpleRNN(32),Dense(1, activation='sigmoid')
])

图神经网络（GNN）

import torch_geometric.nn as geom_nnclass GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = geom_nn.GCNConv(3, 16)self.conv2 = geom_nn.GCNConv(16, 2)

自编码器（Autoencoder）

from tensorflow.keras.layers import Input, Denseinput_img = Input(shape=(784,))
encoded = Dense(32, activation='relu')(input_img)
decoded = Dense(784, activation='sigmoid')(encoded)autoencoder = tf.keras.Model(input_img, decoded)

迁移学习示例

使用预训练的VGG16模型：

from keras.applications.vgg16 import VGG16base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))
for layer in base_model.layers:layer.trainable = False
model.add(base_model)
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dense(10, activation='softmax'))

生成对抗网络（GAN）示例

简单的GAN实现：

generator = Sequential([Dense(128, input_dim=100, activation='relu'),Dense(784, activation='tanh')
])
discriminator = Sequential([Dense(128, input_dim=784, activation='relu'),Dense(1, activation='sigmoid')
])
gan = Sequential([generator, discriminator])

强化学习示例

深度Q网络（DQN）框架：

from keras.layers import Input
from keras.models import Modelstates = Input(shape=(state_size,))
actions = Dense(64, activation='relu')(states)
q_values = Dense(action_size, activation='linear')(actions)
model = Model(inputs=states, outputs=q_values)

超参数调优示例

使用Keras Tuner进行超参数搜索：

import kerastuner as ktdef build_model(hp):model = Sequential()model.add(Dense(units=hp.Int('units', min_value=32, max_value=512, step=32),activation='relu'))model.add(Dense(10, activation='softmax'))model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')return modeltuner = kt.RandomSearch(build_model, objective='val_accuracy', max_trials=5)
tuner.search(X_train, y_train, epochs=5, validation_data=(X_val, y_val))

时间序列预测示例（LSTM/GRU）

使用Conv1D进行序列预测：

from keras.layers import Conv1Dmodel = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(None, 1)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')

注意力机制（Seq2Seq）

from tensorflow.keras.layers import LSTM, Attentionencoder = LSTM(64, return_sequences=True)
decoder = LSTM(64, return_sequences=True)
attention = Attention()

神经风格迁移

import tensorflow as tf
from tensorflow.keras.applications import vgg19
from tensorflow.keras.preprocessing.image import load_img, img_to_array
import numpy as np# 加载并预处理图像
def preprocess_image(image_path, target_size=(512, 512)):img = load_img(image_path, target_size=target_size)img = img_to_array(img)img = np.expand_dims(img, axis=0)img = vgg19.preprocess_input(img)return tf.constant(img)# 定义内容损失和风格损失
def content_loss(base_content, target):return tf.reduce_mean(tf.square(base_content - target))def gram_matrix(input_tensor):result = tf.linalg.einsum('bijc,bijd->bcd', input_tensor, input_tensor)input_shape = tf.shape(input_tensor)return result / (tf.cast(input_shape[1]*input_shape[2], tf.float32))def style_loss(base_style, gram_target):return tf.reduce_mean(tf.square(gram_matrix(base_style) - gram_target))# 总损失函数
def total_loss(content_outputs, style_outputs, content_target, style_targets, style_weight=1e-2, content_weight=1e4):content_loss_value = content_loss(content_outputs, content_target)style_loss_value = 0for style_output, style_target in zip(style_outputs, style_targets):style_loss_value += style_loss(style_output, style_target)return content_weight * content_loss_value + style_weight * style_loss_value

完整示例通常包含以下扩展领域：

  • 自编码器与降维技术
  • 注意力机制实现
  • 多任务学习框架
  • 模型解释性工具（如SHAP）
  • 部署相关的模型量化与优化
  • 异常检测算法
  • 多模态学习模型

建议通过Keras官方文档、GitHub开源项目以及Kaggle竞赛案例获取更多具体实现。每个示例应包含数据预处理、模型构建、训练循环和评估指标四个核心部分，实践时需根据具体数据集调整网络结构和超参数。

自编码器与降维技术实例（Python实现）

以下整理自编码器与降维技术的应用场景及核心代码片段，涵盖基础实现、可视化、优化技巧等。由于篇幅限制，列举部分典型示例，其余可通过扩展数据或调整参数实现。

基础自编码器实现（MNIST数据集）

from keras.layers import Input, Dense
from keras.models import Modelinput_img = Input(shape=(784,))
encoded = Dense(128, activation='relu')(input_img)
decoded = Dense(784, activation='sigmoid')(encoded)
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
卷积自编码器（图像去噪）
from keras.layers import Conv2D, MaxPooling2D, UpSampling2Dinput_img = Input(shape=(28, 28, 1))
x = Conv2D(16, (3,3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2,2), padding='same')(x)
x = Conv2D(8, (3,3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2,2), padding='same')(x)x = Conv2D(8, (3,3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2,2))(x)
x = Conv2D(16, (3,3), activation='relu', padding='same')(x)
x = UpSampling2D((2,2))(x)
decoded = Conv2D(1, (3,3), activation='sigmoid', padding='same')(x)
变分自编码器（生成新样本）
<
http://www.dtcms.com/a/276691.html

相关文章：

  • STP生成树协议
  • 堆内存的详细结构以及java中内存溢出和排查方式
  • Jinja2模板引擎技术在dify中的应用方法
  • Python基于Django的WEB服务统一身份认证协议的设计与实现【附源码、文档说明】
  • 3 c++提高——STL常用容器（一）
  • 【理念●体系】路径治理篇：打造可控、可迁移、可复现的 AI 开发路径结构
  • 【一起来学AI大模型】RAG系统组件：检索器（LangChain）
  • 深度学习-LeNet5-AlexNet
  • ZeroNews 版本升级预告！
  • 【PMP备考】敏捷专题 - 敏捷概述
  • CPU 与存储器连接方式的深入理解
  • Java使用Langchai4j接入AI大模型的简单使用(三)--输入文字生成图片
  • C++结构体数组应用
  • 我自建服务器部署了 Next.js 全栈项目
  • hot100 hot75 栈、队列题目思路
  • os.machine()详解
  • 开阳630HV100芯片的外设配置
  • 如何重置被入侵服务器的Root密码?并且提高服务器安全？
  • 《当技术遇见毁灭：rm -rf的哲学隐喻与现实警示》
  • 【八股消消乐】Kafka集群 full GC 解决方案
  • pytorch深度学习—RNN-循环神经网络
  • 服务端高效处理拖拽排序
  • [创业之路-502]：企业管理层 - 什么是企业经营，什么是企业管理？什么是业务？
  • [Token]Token merging for Vision Generation
  • 2025全网最详细的软件测试面试八股文
  • 面试150 翻转二叉树
  • FreeRTOS内核实现与应用之0——编码风格
  • 【离线数仓项目】——电商域DWS层开发实战
  • 【AI大模型】部署优化量化：INT8压缩模型
  • 深入理解设计模式：原型模式（Prototype Pattern）