Keras之RNN和LSTM
Posted 月疯
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Keras之RNN和LSTM相关的知识,希望对你有一定的参考价值。
RNN是循环神经网络:主要场景是语音识别、机器学习翻译、文本分类
RNN是简单的循环网络,无法处理长文本的分类,所以提出LSTM长短型记忆循环神经网络,
还有RNN双向循环神经网络、RNN双层循环神经网络、还有GRU门循环神经网络。
RNN会出现梯度爆炸和梯度消失的问题,升级LSTM级GRU
tanh导数在0-1之间,当其与w相乘小于1时,随着循环次数的增加,最终会导致趋于0,造成梯度消失,相反如果w和tanh乘积大于1时,随着循环次数增加会出现梯度爆炸。
展开之后:
import numpy as np
from keras.datasets import mnist #直接从keras里面应用数据集
from keras.utils import np_utils #keras 里面用到的一个 np 的工具包
from keras.models import Sequential
from keras.layers import Dense
from keras.layers.recurrent import SimpleRNN,LSTM,GRU #常见的就这三种
from keras.optimizers import Adam
#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data() #分为测试集和训练集
x_train=x_train/255.0
x_test=x_test/255.0
#标签转换成 one hot 格式
y_train=np_utils.to_categorical(y_train,num_classes=10)#专门用来转格式的包
y_test=np_utils.to_categorical(y_test,num_classes=10)
#定义模型的顺序
#写一个的话是有两层,写两个的话是有3层
model=Sequential()
model.add(SimpleRNN(
units=50, #输出是50
input_shape=(28,28) #输入的形状.
))
#输出层
model.add(Dense(10,activation='softmax'))
#定义优化器
adam=Adam(lr=1e-4)
#使用优化器和 loss函数,在训练的过程中计算精确度
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=["acc"])
model.fit(x_train,y_train,batch_size=64,epochs=10)
loss,accuracy=model.evaluate(x_test,y_test)
print("损失函数*********",loss)
print("精确度**********",accuracy)
以上是关于Keras之RNN和LSTM的主要内容,如果未能解决你的问题,请参考以下文章
Keras 如何处理单元格和隐藏状态(RNN、LSTM)的初始值以进行推理?