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
DataCastle1 分钟前
第三届Bio-OS AI开源大赛启动会隆重举行
人工智能
后端小肥肠10 分钟前
躺赚必备!RPA+Coze+豆包:公众号自动发文,AI率0%亲测有效(附AI率0%提示词)
人工智能·aigc·coze
摘星编程21 分钟前
CloudBase AI ToolKit实战:从0到1开发一个智能医疗网站
人工智能·腾讯云·ai代码远征季#h5应用·ai医疗应用·cloudbase开发
锅挤26 分钟前
深度学习5(深层神经网络 + 参数和超参数)
人工智能·深度学习·神经网络
一支烟一朵花30 分钟前
630,百度文心大模型4.5系列开源!真香
人工智能·百度·开源·文心一言
网安INF32 分钟前
深层神经网络:原理与传播机制详解
人工智能·深度学习·神经网络·机器学习
喜欢吃豆37 分钟前
目前最火的agent方向-A2A快速实战构建(二): AutoGen模型集成指南:从OpenAI到本地部署的全场景LLM解决方案
后端·python·深度学习·flask·大模型
AIbase20241 小时前
国内MCP服务平台推荐!aibase.cn上线MCP服务器集合平台
运维·服务器·人工智能
喜欢吃豆2 小时前
快速手搓一个MCP服务指南(九): FastMCP 服务器组合技术:构建模块化AI应用的终极方案
服务器·人工智能·python·深度学习·大模型·github·fastmcp
星融元asterfusion2 小时前
基于路径质量的AI负载均衡异常路径检测与恢复策略
人工智能·负载均衡·异常路径