深度学习建模从零开始步骤流程

深度学习建模从零开始步骤流程

步骤如下:

  1. 环境准备
  2. 三方库安装
  3. 建模开发

环境准备

Anaconda安装:

Anaconda下载网址,下载win10下的64位版本。
清华镜像站

下载完毕后点击安装,一直点确定或下一步

到上图点击 Just me,因为只自己编程使用

上图,可在自己想要装的盘内创建Anaconda文件夹,然后作为安装目录。如我在D盘创建Anaconda文件夹,安装时选中该文件夹作为安装目录。

上图,选择第二个便好,第一个环境变量配置请看下文。

然后点击 Install进行安装,等待安装完毕,进行环境变量配置。

关于 Anaconda环境变量配置:

找到Anaconda安装目录,如:E:\Anaconda,E:\Anaconda\Scripts

将上述两个地址,添加至环境变量 Path 尾部。

三方库安装

在完成环境准备之后,在cmd中输入以下命令查看当前环境中已安装的三方库:

要进行深度学习开发,一般需要安装如下三方库:pandas,numpy,keras等,安装方式如下:

根据算法建模所需的三方库,依次使用pip3 install 命令安装便可。

建模开发

根据具体的建模应用场景和数据集,开发程序,训练模型,以电影评论二分类为例,

先使用pip3 install keras 安装深度学习建模库

python 复制代码
import numpy as np
from keras.datasets import imdb

# 数据集准备
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

# 数据向量化
def vectorize_sequences(sequences, dimension=10000):
	results = np.zeros((len(sequences), dimension))
	for i, sequence in enumerate(sequences):
		results[i, sequence] = 1.
	return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

# 标签向量化
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')

# 神经网络构建
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

# 验证集准备
x_val = x_train[:10000]
partial_x_train = x_train[10000:]
y_val = y_train[:10000]
partial_y_train = y_train[10000:]

# 模型训练
history = model.fit(partial_x_train, partial_y_train, epochs=20, batch_size=512, validation_data=(x_val, y_val))

# 绘制训练精度和验证精度
import matplotlib.pyplot as plt
history_dict = history.history

acc = history_dict['acc']
val_acc = history_dict['val_acc']
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()
相关推荐
Qspace丨轻空间1 分钟前
气膜场馆:推动体育文化旅游创新发展的关键力量—轻空间
大数据·人工智能·安全·生活·娱乐
没有不重的名么2 分钟前
门控循环单元GRU
人工智能·深度学习·gru
love_and_hope6 分钟前
Pytorch学习--神经网络--搭建小实战(手撕CIFAR 10 model structure)和 Sequential 的使用
人工智能·pytorch·python·深度学习·学习
2403_8757368722 分钟前
道品科技智慧农业中的自动气象检测站
网络·人工智能·智慧城市
学术头条1 小时前
AI 的「phone use」竟是这样练成的,清华、智谱团队发布 AutoGLM 技术报告
人工智能·科技·深度学习·语言模型
准橙考典1 小时前
怎么能更好的通过驾考呢?
人工智能·笔记·自动驾驶·汽车·学习方法
ai_xiaogui1 小时前
AIStarter教程:快速学会卸载AI项目【AI项目管理平台】
人工智能·ai作画·语音识别·ai写作·ai软件
孙同学要努力1 小时前
《深度学习》——深度学习基础知识(全连接神经网络)
人工智能·深度学习·神经网络
喵~来学编程啦2 小时前
【论文精读】LPT: Long-tailed prompt tuning for image classification
人工智能·深度学习·机器学习·计算机视觉·论文笔记
深圳市青牛科技实业有限公司2 小时前
【青牛科技】应用方案|D2587A高压大电流DC-DC
人工智能·科技·单片机·嵌入式硬件·机器人·安防监控