针对波士顿住房数据集训练简单的MLP回归模型

多层感知机(MLP)有着非常悠久的历史，多层感知机(MLP)是深度神经网络(DNN)的基础算法

MLP基础知识

目的：创建用于简单回归/分类任务的常规神经网络(即多层感知器)和Keras

MLP结构

每个MLP模型由一个输入层、几个隐藏层和一个输出层组成ASP站长网

每层神经元的数目不受限制

具有一个隐藏层的MLP

- 输入神经元数：3 - 隐藏神经元数：4 - 输出神经元数：2

回归任务的MLP

当目标(「y」)连续时

对于损失函数和评估指标，通常使用均方误差(MSE)

from tensorflow.keras.datasets import boston_housing 

(X_train, y_train), (X_test, y_test) = boston_housing.load_data() 

数据集描述

波士顿住房数据集共有506个数据实例(404个培训和102个测试)

13个属性(特征)预测“某一地点房屋的中值”

文件编号：https://keras.io/datasets/

1.创建模型

Keras模型对象可以用Sequential类创建

一开始，模型本身是空的。它是通过「添加」附加层和编译来完成的

文档：https://keras.io/models/sequential/

from tensorflow.keras.models import Sequential 

model = Sequential() 

1-1.添加层

Keras层可以「添加」到模型中

添加层就像一个接一个地堆叠乐高积木

文档：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)) 

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!