既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
需要这份系统化资料的朋友,可以戳这里获取
model.fit/fit_generator(dataset, epochs=10,
batch_size=3,
validation_data=val_dataset,
)
* 模型评估
指明评估数据集和批次大小
model.evaluate(x, y, batch_size=32)
* 模型预测
对新的样本进行预测
model.predict(x, batch_size=32)
(5)回调函数(callbacks) 回调函数用在模型训练过程中,来控制模型训练行为,可以自定义回调函数,也可使用`tf.keras.callbacks` 内置的 `callback` : * `ModelCheckpoint`:定期保存 checkpoints。 * `LearningRateScheduler`:动态改变学习速率。 * `EarlyStopping`:当验证集上的性能不再提高时,终止训练。 * `TensorBoard`:使用 TensorBoard 监测模型的状态。 (6)模型的保存和恢复 * 只保存参数
只保存模型的权重
model.save_weights(‘./my_model’)
加载模型的权重
model.load_weights(‘my_model’)
* 保存整个模型
保存模型架构与权重在h5文件中
model.save(‘my_model.h5’)
加载模型:包括架构和对应的权重
model = keras.models.load_model(‘my_model.h5’)
### 3.3 模型入门案例 1. 模块导入
# 导入其他相关的库
绘图,获取数据集
import seaborn as sns
数值计算
import numpy as np
机器学习
划分训练集和测试集
from sklearn.model_selection import train_test_split
逻辑回归
from sklearn.linear_model import LogisticRegressionCV
深度学习
用于模型搭建
from tensorflow.keras.models import Sequential
构建模型的层和激活方法
from tensorflow.keras.layers import Dense, Activation
数据处理的辅助工具
from tensorflow.keras import utils
> > 注意:LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而LogisticRegression需要自己每次指定一个正则化系数。除了交叉验证,以及选择正则化系数C以外, LogisticRegression和LogisticRegressionCV的使用方法基本相同。 > > > 2. 数据集处理 (1)获取数据集
iris = sns.load_dataset(“iris”)
print(type(iris)) pandas.core.frame.DataFrame
iris.head()
![在这里插入图片描述](https://img-blog.csdnimg.cn/81750df61eff47aeb1a9dcb97280f712.png) > > 注: > > > * 我们常用 sklearn.datasets 的 load\_\*() 获取数据集,返回 Bunch 对象 > * seaborn 库内置了十几个数据集,也可以获取数据集,返回数据集的类型为 DataFrame > > > 以下为拓展,本例中仍使用 seaborn 获取的数据集
from sklearn.datasets import load_iris
import pandas as pd
iris = load_iris()
type(iris) # sklearn.utils._bunch.Bunch
print(dir(iris)) # 查看data所具有的属性或方法
print(iris.DESCR) # 查看数据集的简介
iris = pd.DataFrame(data=iris.data,columns=iris.feature_names)
iris.head()
![在这里插入图片描述](https://img-blog.csdnimg.cn/09874700435c4f2d947410ce99cdfda0.png) > > 可以注意到使用 sklearn 中的鸢尾花数据集没有标签值 > > > (2)数据展示 另外,利用 seaborn 中 pairplot 函数探索数据特征间的关系:
sns.pairplot()用来展示两两特征之间的关系
hue 针对某一字段进行分类 ,不同类别的点会以不同的颜色显现出来
sns.pairplot(iris,hue=“species”)
![在这里插入图片描述](https://img-blog.csdnimg.cn/2a0fceea6ea34a5f843777e7479a08a2.png#pic_center) (3)数据集划分
确定特征值和目标值
X = iris.iloc[:, :4]
y = iris.iloc[:, 4]
type(X),type(y) # (pandas.core.frame.DataFrame, pandas.core.series.Series)
X = iris.values[:, :4]
y = iris.values[:, 4]
type(X),type(y) # (numpy.ndarray, numpy.ndarray)
数据集的划分
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.5,random_state=0) # 返回numpy.ndarray类型数据
3. sklearn 实现
实例化分类器
estimator = LogisticRegressionCV()
训练
estimator.fit(X_train, y_train)
计算准确率并进行打印
print(“Accuracy = {0:.2f}”.format(estimator.score(X_test, y_test))) # 冒号左侧的0表示对应参数的索引,此处只有一个参数0可省略
0.93
> > 注意: > > > * LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而LogisticRegression需要自己每次指定一个正则化系数。除了交叉验证,以及选择正则化系数C以外, LogisticRegression和LogisticRegressionCV的使用方法基本相同。 > > > 4. Keras 实现 在sklearn中我们只要实例化分类器并利用fit方法进行训练,最后衡量它的性能就可以了,那在tf.keras中与在sklearn非常相似,不同的是: * 构建分类器时需要进行模型搭建(**分类器需要自己去构建**) * 数据采集时,sklearn可以接收字符串型的标签,如:“setosa”,但是在 tf.keras 中**需要对标签值进行热编码**,如下所示: ![在这里插入图片描述](https://img-blog.csdnimg.cn/2ecfde7308224f49ae174864558ebe38.png) (1)对标签值热编码 有很多方法可以实现热编码,比如 pandas 中的 get\_dummies() ,在这里我们使用 tf.keras 中的方法进行热编码:
def onehot_encode_object_array(arr):
# 去重获取全部的类别
# return_inverse为True时:会构建一个递增的唯一值的新列表,并返回旧列表arr中的值在新列表uniques中的索引列表ids
uniques, ids = np.unique(arr, return_inverse=True)
# 返回热编码的结果
return utils.to_categorical(ids, len(uniques))
训练集热编码
y_train_onehot = onehot_encode_object_array(y_train)
测试集热编码
y_test_onehot = onehot_encode_object_array(y_test)
> > 注意: > > > * `np.unique` 将数组中的元素进行去重操作,详见:https://blog.csdn.net/Hhjnv/article/details/122916912 > * `to_categorical()` 用于分类,将标签转为one-hot编码,详见:https://blog.csdn.net/nima1994/article/details/82468965 > > > (2)模型搭建 在 sklearn中,模型都是现成的。 而 `tf.Keras` 是一个神经网络库,我们需要根据数据和标签值构建神经网络,神经网络可以发现特征与标签之间的复杂关系。 神经网络是一个高度结构化的图,其中包含一个或多个隐藏层,每个隐藏层都包含一个或多个神经元。 神经网络有多种类别,该程序使用的是 **密集型神经网络**,也称为 **全连接神经网络**:一个层中的神经元将从上一层中的每个神经元获取输入连接。例如,下图显示了一个密集型神经网络,其中包含 1 个输入层、2 个隐藏层以及 1 个输出层 ![在这里插入图片描述](https://img-blog.csdnimg.cn/dc73a7e7612e424481591b08be8e7dd2.png) 上图 中的模型经过训练并馈送未标记的样本时,它会产生 3 个预测结果:相应鸢尾花属于指定品种的可能性。对于该示例,输出预测结果的总和是 1.0。该预测结果分解如下:山鸢尾为 0.02,变色鸢尾为 0.95,维吉尼亚鸢尾为 0.03。这意味着该模型预测某个无标签鸢尾花样本是变色鸢尾的概率为 95%。 > > 与上一层完全连接的隐藏层称为 **密集层**。在图中,两个隐藏层都是密集的。 > > > TensorFlow tf.keras API 是创建模型和层的首选方式。通过该 API,可以轻松地构建模型并进行实验,而将所有部分连接在一起的复杂工作则由 Keras 处理。 `tf.keras.Sequential` 模型是层的线性堆叠。该模型的构造函数会采用一系列层实例;在本示例中,采用的是 2 个密集层(分别包含 10 个节点)以及 1 个输出层(包含 3 个代表标签预测的节点)。第一个层的 `input_shape` 参数对应该数据集中的 **特征数量**:
利用sequential方式构建模型
model = Sequential([
隐藏层1,激活函数是relu,输入大小有input_shape指定
Dense(10, activation=“relu”, input_shape=(4,)),
隐藏层2,激活函数是relu
Dense(10, activation=“relu”),
输出层
Dense(3, activation=“softmax”)
])
将搭建的神经网络用流程图表示出来
utils.plot_model(model,show_shapes=True)
![在这里插入图片描述](https://img-blog.csdnimg.cn/f2ec2ff4ddca496c8626f5ddefabf1f0.png)
查看模型结构
model.summary()
![在这里插入图片描述](https://img-blog.csdnimg.cn/3245983f3ead4f868161c8c624710df7.png) **激活函数可决定层中每个节点的输出形状**。这些非线性关系很重要,如果没有它们,模型将等同于单个层。激活函数有很多,但隐藏层通常使用 `relu` 。 **隐藏层和神经元的理想数量取决于问题和数据集**。与机器学习的多个方面一样,选择最佳的神经网络形状需要一定的知识水平和实验基础。一般来说,增加隐藏层和神经元的数量通常会产生更强大的模型,而这需要更多数据才能有效地进行训练。 > > 对于每一个神经元都有 `bias` 参数和 `weight` 参数 ,因为有 4 个输入特征值,所以每个神经元有 4 个`weight`,10 个神经元就有 40 个`weight`,每个神经元又有1个 `bias` ,10 个神经元就有10 个 `bias` ,所以隐藏层1有 50 个参数。隐藏层 2 和输出层参数以此类推。 > > > (3)模型训练和预测 在训练和评估阶段,我们都需要计算模型的损失。这样可以衡量模型的预测结果与预期标签有多大偏差,也就是说,模型的效果有多差。 我们希望尽可能减小或优化这个值,所以我们设置优化策略和损失函数,以及模型精度的计算方法:
设置模型的相关参数:优化器,损失函数(交叉熵损失函数)和评价指标(可以有多个)
model.compile(optimizer=‘adam’, loss=‘categorical_crossentropy’, metrics=[“accuracy”])
可知,数组元素的数据类型为:dtype(‘O’),即(Python) objects
X_train.dtype # dtype(‘O’)
X_test.dtype # dtype(‘O’)
我们需要将训练集和测试集的特征值进行数据类型转换:
X_train = np.array(X_train,dtype = np.float32)
X_test = np.array(X_test,dtype = np.float32)
接下来与在sklearn中相同,分别调用fit和predict方法进行预测即可:
模型训练
epochs:训练样本送入到网络中的次数,
batch_size:每次训练的送入到网络中的样本个数,
verbose=1:显示训练过程的内容
model.fit(X_train,y_train_onehot,epochs=10,batch_size=1,verbose=1)
训练过程如下:
Epoch 1/10
38/38 [] - 0s 822us/step - loss: 1.0963 - accuracy: 0.5467
Epoch 2/10
38/38 [] - 0s 829us/step - loss: 0.9500 - accuracy: 0.5333
Epoch 3/10
38/38 [] - 0s 809us/step - loss: 0.8646 - accuracy: 0.5867
Epoch 4/10
38/38 [] - 0s 807us/step - loss: 0.7925 - accuracy: 0.7333
Epoch 5/10
38/38 [] - 0s 844us/step - loss: 0.7279 - accuracy: 0.7333
Epoch 6/10
38/38 [] - 0s 788us/step - loss: 0.6779 - accuracy: 0.7333
Epoch 7/10
38/38 [] - 0s 801us/step - loss: 0.6288 - accuracy: 0.7333
Epoch 8/10
38/38 [] - 0s 870us/step - loss: 0.5915 - accuracy: 0.7333
Epoch 9/10
38/38 [] - 0s 798us/step - loss: 0.5546 - accuracy: 0.7333
Epoch 10/10
38/38 [] - 0s 778us/step - loss: 0.5184 - accuracy: 0.7733
> > 前面设置了训练集测试集各占50%,batch\_size=1,所以每次训练送入到网络中的一条数据,当(鸢尾花总数据集共150条)75条训练集数据训练完成,为一个 epoch。epochs=10,需要训练10次。 > > > 上述代码完成的是: * 迭代每个epoch。通过一次数据集即为一个epoch。 * 在一个epoch中,遍历训练 Dataset 中的每个样本,并获取样本的特征 (x) 和标签 (y)。 * 根据样本的特征进行预测,并比较预测结果和标签。衡量预测结果的不准确性,并使用所得的值计算模型的损失和梯度。 * 使用 optimizer 更新模型的变量。 * 对每个epoch重复执行以上步骤,直到模型训练完成。 (4)模型评估 ![img](https://img-blog.csdnimg.cn/img_convert/acfe97562637a26f9d14ec01127dd738.png) ![img](https://img-blog.csdnimg.cn/img_convert/889a74d89e094688779f2832f3ef70f5.png) **网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。** **[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)** **一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!** 签 (y)。 * 根据样本的特征进行预测,并比较预测结果和标签。衡量预测结果的不准确性,并使用所得的值计算模型的损失和梯度。 * 使用 optimizer 更新模型的变量。 * 对每个epoch重复执行以上步骤,直到模型训练完成。 (4)模型评估 [外链图片转存中...(img-C1zboQVA-1714888619154)] [外链图片转存中...(img-bvT2Lor5-1714888619154)] **网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。** **[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)** **一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**