当前位置：首页 > news >正文

《Python深度学习》第三讲：神经网络

news 来源：原创 2025/8/14 4:39:47

在前面的课程里，我们已经了解了深度学习的数学基础，也用一个简单的例子展示了神经网络的强大能力。本讲我们要更深入地探讨神经网络的结构、训练过程，以及如何用它解决实际问题。

3.1 神经网络剖析

先来聊聊神经网络的核心组件：层（Layer）。

想象一下，你有一堆积木，你可以用这些积木搭建出各种各样的东西。在神经网络里，层就像是这些积木，你可以用它们搭建出复杂的模型。每一层都有自己的功能，比如，有些层可以处理图像数据，有些层可以处理时间序列数据。这些层组合在一起，就形成了一个强大的神经网络。

我们来看看最常见的几种层。

Dense层：这是最简单的层，它处理的是向量数据。比如，你有一组数字，Dense层可以对这些数字进行变换，提取出更有用的信息。
Conv2D层：这个层专门用来处理图像数据。它可以在图像中找到局部的模式，比如边缘、纹理等。这对于图像分类任务特别有用。
LSTM层：这个层用来处理时间序列数据，比如股票价格、天气数据等。它可以记住过去的信息，对未来做出预测。

神经网络的结构就像是一个数据处理的流水线。

数据从输入层进入，经过一层层的处理，最后从输出层出来。每一层都在对数据进行某种变换，让数据越来越接近我们想要的结果。比如，对于图像分类任务，输入层接收图像数据，中间的层提取图像的特征，最后的输出层告诉我们图像属于哪个类别。

3.2 Keras简介

接下来，我们来看看Keras这个强大的工具。

Keras是一个非常友好的深度学习框架，它就像是一个乐高积木套装，你可以用它轻松地搭建出复杂的神经网络。Keras背后有强大的后端支持，比如TensorFlow，它负责处理底层的数学运算。

用Keras搭建神经网络非常简单。

你只需要定义每一层的类型和参数，然后Keras会帮你完成剩下的工作。比如，我们要搭建一个简单的神经网络来识别手写数字，只需要几行代码：

from keras import models
from keras import layersmodel = models.Sequential()
model.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
model.add(layers.Dense(10, activation='softmax'))

这里，我们用Sequential模型，它是一个线性堆叠的层。第一层是一个Dense层，有512个神经元，使用ReLU激活函数。最后一层是一个Dense层，有10个神经元，对应10个数字类别，使用softmax激活函数。

Keras还支持更复杂的网络结构。

比如，你可以用函数式API来定义更复杂的网络，比如多输入、多输出的网络。不过，对于初学者来说，Sequential模型已经足够用了。

3.3 建立深度学习工作站

在开始训练神经网络之前，我们需要一个合适的工作环境。

你可以用一台普通的电脑来运行Keras，但如果想更快地训练模型，最好有一块好的GPU。GPU就像是一个超级计算器，可以大大加快训练速度。如果你没有GPU，也可以在云端运行Keras，比如AWS或Google Cloud。

推荐使用Jupyter Notebook。

Jupyter Notebook是一个非常方便的工具，你可以在浏览器里运行Python代码，还可以添加文字说明，非常适合做实验和学习。

安装Keras也很简单。

你可以用pip命令来安装Keras和TensorFlow：

pip install keras
pip install tensorflow

如果你用的是GPU版本的TensorFlow，还需要安装CUDA和cuDNN，这些是NVIDIA提供的深度学习工具。

3.4 电影评论分类：二分类问题

下面我们用一个具体的例子来展示如何用神经网络解决实际问题。

假设你有一堆电影评论，每条评论都有一个标签，表示这条评论是正面的还是负面的。你想让计算机自动判断评论的情感倾向。这是一个典型的二分类问题。

我们用IMDB数据集来训练模型。

IMDB数据集包含25,000条正面评论和25,000条负面评论。每条评论都被转换成一个整数序列，每个整数代表一个单词。

from keras.datasets import imdb(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

这里，num_words=10000表示我们只保留数据中前10,000个最常见的单词。

在训练模型之前，我们需要对数据进行预处理。

我们需要将整数序列转换成浮点数张量，因为神经网络只能处理浮点数。我们用one-hot编码来实现这一点：

import numpy as npdef vectorize_sequences(sequences, dimension=10000):results = np.zeros((len(sequences), dimension))for i, sequence in enumerate(sequences):results[i, sequence] = 1.return resultsx_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

我们还需要将标签转换成浮点数：

y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')

接下来，我们构建一个简单的神经网络。

这个网络包含两个Dense层，每层有16个神经元，使用ReLU激活函数。最后一层是一个Dense层，有一个神经元，使用sigmoid激活函数，输出评论是正面的概率。

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'))

然后，我们需要编译模型。

我们选择rmsprop作为优化器，binary_crossentropy作为损失函数，accuracy作为评估指标。

model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])

在训练模型之前，我们需要划分出一个验证集。

验证集用来评估模型在新数据上的表现，防止过拟合。

x_val = x_train[:10000]
partial_x_train = x_train[10000:]y_val = y_train[:10000]
partial_y_train = y_train[10000:]

最后，我们开始训练模型。

我们训练20个epoch，每次处理512个样本。

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

训练完成后，我们在测试集上评估模型的性能。

test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

结果怎么样呢？

你会发现，这个简单的神经网络在测试集上的准确率可以达到88%左右。这说明神经网络能够很好地学习评论的情感倾向。

3.5 新闻分类：多分类问题

下面我们再来看一个更复杂的问题：新闻分类。

假设你有一堆新闻文章，每篇文章都有一个标签，表示它属于哪个主题。你想让计算机自动判断文章的主题。这是一个典型的多分类问题。

我们用路透社数据集来训练模型。

路透社数据集包含46个主题的新闻文章。每篇文章都被转换成一个整数序列，每个整数代表一个单词。

from keras.datasets import reuters(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)

在训练模型之前，我们需要对数据进行预处理。

我们需要将整数序列转换成浮点数张量，因为神经网络只能处理浮点数。我们用one-hot编码来实现这一点：

def vectorize_sequences(sequences, dimension=10000):results = np.zeros((len(sequences), dimension))for i, sequence in enumerate(sequences):results[i, sequence] = 1.return resultsx_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

我们还需要将标签转换成浮点数：

from keras.utils.np_utils import to_categoricaly_train = to_categorical(train_labels)
y_test = to_categorical(test_labels)

接下来，我们构建一个简单的神经网络。

这个网络包含两个Dense层，每层有64个神经元，使用ReLU激活函数。最后一层是一个Dense层，有46个神经元，使用softmax激活函数，输出文章属于每个主题的概率。

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

然后，我们需要编译模型。

我们选择rmsprop作为优化器，categorical_crossentropy作为损失函数，accuracy作为评估指标。

model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

在训练模型之前，我们需要划分出一个验证集。

验证集用来评估模型在新数据上的表现，防止过拟合。

x_val = x_train[:1000]
partial_x_train = x_train[1000:]y_val = y_train[:1000]
partial_y_train = y_train[1000:]

最后，我们开始训练模型。

我们训练20个epoch，每次处理512个样本。

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

训练完成后，我们在测试集上评估模型的性能。

test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这个简单的神经网络在测试集上的准确率可以达到79%左右。这说明神经网络能够很好地学习文章的主题。

3.6 预测房价：回归问题

下面我们再来看一个完全不同的问题：预测房价。

假设你有一些关于房子的信息，比如面积、房间数量、位置等，你想让计算机预测房子的价格。这是一个典型的回归问题。

我们用波士顿房价数据集来训练模型。

波士顿房价数据集包含506个样本，每个样本有13个特征，比如人均犯罪率、平均房间数等。目标是预测房子的中位数价格。

from keras.datasets import boston_housing(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()

在训练模型之前，我们需要对数据进行标准化。

因为不同特征的取值范围不同，我们需要将每个特征的均值变为0，标准差变为1。这样可以让神经网络的学习过程更加稳定。

mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= stdtest_data -= mean
test_data /= std

接下来，我们构建一个简单的神经网络。

这个网络包含两个Dense层，每层有64个神经元，使用ReLU激活函数。最后一层是一个Dense层，没有激活函数，直接输出预测的价格。

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(train_data.shape[1],)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1))

然后，我们需要编译模型。

我们选择rmsprop作为优化器，mse（均方误差）作为损失函数，mae（平均绝对误差）作为评估指标。

model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

在训练模型之前，我们需要划分出一个验证集。

验证集用来评估模型在新数据上的表现，防止过拟合。

x_val = train_data[:100]
partial_x_train = train_data[100:]y_val = train_targets[:100]
partial_y_train = train_targets[100:]

最后，我们开始训练模型。

我们训练100个epoch，每次处理16个样本。

history = model.fit(partial_x_train,partial_y_train,epochs=100,batch_size=16,validation_data=(x_val, y_val))

训练完成后，我们在测试集上评估模型的性能。

test_loss, test_mae = model.evaluate(test_data, test_targets)
print('Test MAE:', test_mae)

这个神经网络模型在测试集上的平均绝对误差大约是2.55千美元。

总结

本讲我们重点介绍了神经网络的核心组件，了解了层的概念和功能。我们还学习了如何用Keras搭建神经网络，以及如何训练和评估模型。通过三个具体的例子，我们展示了神经网络在二分类问题、多分类问题和回归问题中的应用。

神经网络是深度学习的核心工具，它可以自动从数据中学习规律，解决各种复杂的问题。

《Python深度学习》第三讲：神经网络

在前面的课程里，我们已经了解了深度学习的数学基础，也用一个简单的例子展示了神经网络的强大能力。本讲我们要更深入地探讨神经网络的结构、训练过程，以及如何用它解决实际问题。 3.1 神经网络剖析先来聊聊神经网络的核心组件：层…...

编程日记 2025/8/14 4:39:47

编程题《牛牛的链表删除》的python可以用非链表的方式

描述牛牛从键盘输入了一个长度为 n 的数组，把这个数组转换成链表然后把链表中所有值是 x 的节点都删除。输入描述： 第一行输入两个正整数 n 和 x 表示数组的长度和要删除的链表节点值 x 。第二行输入 n 个正整数表示数组中每个元素的值。输出描述&am…...

编程日记 2025/8/9 2:40:46

传统RAG vs 知识图谱：大模型时代的知识管理革命

引言：为什么需要突破传统RAG？ 在大模型应用落地的浪潮中，检索增强生成（RAG）技术通过连接外部知识库，有效缓解了模型的幻觉问题。然而，当面对复杂关系推理、多文档关联分析等场景时，…...

编程日记 2025/8/3 11:10:22

【Go语言圣经2.6】

目标概念 GOPATH模型 GOPATH：GOPATH 是一个环境变量，指明 Go 代码的工作区路径。工作区通常包含三个目录： src：存放源代码，按照导入路径组织。例如，包 gopl.io/ch2/tempconv 应存放在 $GOPATH/src/gopl.i…...

编程日记 2025/8/13 8:42:15

多时间尺度的配电网深度强化学习无功优化策略的Python示例代码框架

以下是一个简单的多时间尺度的配电网深度强化学习无功优化策略的Python示例代码框架，用于帮助你理解如何使用深度强化学习（以深度Q网络 DQN 为例）来处理配电网的无功优化问题。在实际应用中，你可能需要根据具体的配电网模型和需求…...

编程日记 2025/8/11 15:35:28

0CTF 2016 piapiapia 1

#源码泄露 #代码审计 #反序列化字符逃逸 #strlen长度过滤数组绕过 www.zip 得到源码看到这里有flag ，猜测服务端docker的主机里，$flag变量应该存的就是我们要的flag。于是，我们的目的就是读取config.php 利用思路这里存在任意文件读取…...

编程日记 2025/8/14 4:38:24

ArcGIS Pro将有文字标注底图切换为无标注底图（在线地图图源）

今天介绍一下在ArcGIS Pro将有标注的地形底图换成无标注的底图。大家在这项目底图时候会经常调用ArcGIS Pro自带的地形图，但是这个地形图自带是有注记的，如下图。如何更改，才可以调用无文字注记的呢？ 对于一个已经切好图的有注记…...

编程日记 2025/8/14 4:35:57

股指期货有卖不出去的时候吗？

在股指期货的交易世界里，很多人都有这样的疑问：股指期货会不会有卖不出去的时候呢？答案是会的，下面咱们就来详细唠唠为啥会出现这种情况。市场极端行情下难以卖出 1.跌停限制：股指期货和股票一样，也有涨…...

编程日记 2025/8/14 4:38:26

NPM 常用操作指令大全

NPM（Node Package Manager）是 Node.js 默认的包管理工具，主要用于管理 JavaScript 项目的依赖包。以下是常用的 NPM 命令，涵盖安装、卸载、更新、查看等操作。 📌 1. NPM 初始化 npm init 逐步询问项目信息&#xff…...

编程日记 2025/8/14 4:35:56

Mysql与ElasticSearch间的数据同步场景模拟

一、场景简介现有酒店管理与酒店搜索预定两个分离的微服务模块，为了数据的安全性我们在就带你管理模块通过Mysql进行crud，为了搜索的高效和质量在搜索预定模块我们采用了ElasticSearch搜索引擎（视作一种NoSQL 数据库）&#xff0c…...

编程日记 2025/8/13 22:35:26

Qt-D指针与Q指针的设计哲学

文章目录前言PIMLP与二进制兼容性D指针Q指针优化d指针继承Q_D和Q_Q 前言在探索Qt源码的过程中会看到类的成员有一个d指针，d指针类型是一个private的类，这种设计模式称为PIMPL（pointer to implementation），本文根据Q…...

编程日记 2025/8/13 16:42:48

安装配置Anaconda，配置VSCode

文章目录 Anaconda介绍下载Anaconda安装Anaconda换源创建一个新环境conda常用命令 VSCode环境配置记录一下笔者收集的一些资料，不喜勿喷。 Anaconda介绍 Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管…...

编程日记 2025/8/14 4:39:45

迪威 3D 模型发布系统：制造业产品展示革新利器

在竞争激烈的制造业领域，如何将产品全方位、直观地呈现给客户，成为企业脱颖而出的关键。传统的产品展示方式往往受限于平面资料或有限的实物展示，难以让客户深入了解产品的复杂结构与精妙细节。迪威 3D 模型发布系统的问世，为制造…...

编程日记 2025/8/9 17:45:07

Matlab 汽车振动多自由度非线性悬挂系统和参数研究

1、内容简介略 Matlab 169-汽车振动多自由度非线性悬挂系统和参数研究可以交流、咨询、答疑 2、内容说明略第二章汽车模型建立 2.1 汽车悬架系统概述 2.1.1 悬架系统的结构和功能 2.1.2 悬架分类 2.2 四分之一车辆模型对于车辆动力学，一般都是研究其悬…...

编程日记 2025/8/14 4:38:26

编程题-第k个语法符号（中等）

题目： 我们构建了一个包含 n 行( 索引从 1 开始 )的表。首先在第一行我们写上一个 0。接下来的每一行，将前一行中的0替换为01，1替换为10。例如，对于 n 3 ，第 1 行是 0 ，第 2 行是 01 ，第3行…...

编程日记 2025/8/9 6:32:46

vscode打不开

Bug：窗口意外终止(原因:“launch-failed”，代码:“65" 对此造成的不便，我们深表歉意。可以打开新的空窗口以重新启动) 解决方法： 移情别恋：VS Code打开闪退并报‘launch-failed‘ code:‘65‘ 窗口意外终止(原因…...

编程日记 2025/8/14 4:37:42

使用生成对抗网络（GAN）进行人脸老化生成的Python示例

以下是一个使用生成对抗网络（GAN）进行人脸老化生成的Python示例，我们将使用PyTorch库来实现。GAN由生成器和判别器两部分组成，生成器尝试生成逼真的老化人脸图像，判别器则尝试区分生成的图像和真实的老化人脸图像。步…...

编程日记 2025/8/14 4:35:58

202503执行jmeter压测数据库(ScyllaDB,redis,lindorm,Mysql）

一、Mysql 1 、准备MySQL 连接内容 2 、下载连接jar包准备 mysql-connector-java-5.1.49.jar 放到 D:\apache-jmeter-5.6.3\lib\ext 目录下面； 3 、启动jmeter ,配置脚本添加线程组---》JDBC Connection Configuration---》JDBC Request---》查看结果树。 1）测…...

编程日记 2025/8/14 4:37:44

Uniapp当中的scroll-view滚动条不出现或者触底刷新事件不触发

一、未正确设置容器高度问题描述 scroll-view 未设置明确高度或高度值无效，导致无法形成有效滚动区域。解决方案 • 使用行内样式直接设置 height（如 style"height: 500rpx;"），避免类名样式被覆盖。 • 动态计算高度…...

编程日记 2025/8/10 21:28:23

3.16学习总结

学习了Java的知识点基本数据类型 byte占1字节，储存范围-128~127 short占2字节，储存范围-32768~32767 int占4字节，储存范围-2147483648~2147483647 long占8字节，储存范围是-9223372036854775808~9223372036854775807 float占…...

编程日记 2025/8/13 16:47:11

206. 反转链表

目录一、题目二、思路2.1 解题思路2.2 代码尝试2.3 疑难问题2.4 AI复盘三、解法四、收获4.1 心得4.2 举一反三一、题目二、思路 2.1 解题思路需要有头尾指针，然后又觉得可以用递归 2.2 代码尝试 class Solution { public:ListNode* reverseList(ListNode* h…...

编程日记 2025/6/28 6:00:24

音视频缓存数学模型

2024年8月的笔记音视频缓存数学模型 - Wesley’s Blog 播放器作为消费者，缓存作为生产者。进入缓冲一次设消费者速率为v1，生产者为v2，视频长度为l，x为生产者至少距离消费者多远才能保证在播完视频前两者重合。实际上就是一个…...

编程日记 2025/8/12 9:21:44

priority_queue模拟实现

目录介绍模拟实现无参构造函数迭代器构造 push插入 pop删除 top返回队首元素返回队列元素个数判空仿函数补充：反向迭代器模拟实现反向迭代器构造和析构重载和-- 解引用*和地址访问-> ! 反向迭代器在容器中实现补充练习数组中第…...

编程日记 2025/8/1 13:40:14

ChatGPT、DeepSeek、Grok：AI 语言模型的差异与应用场景分析

📝个人主页🌹：一ge科研小菜鸡-CSDN博客 🌹🌹期待您的关注 🌹🌹 1. 引言人工智能（AI）语言模型正在快速发展，ChatGPT（OpenAI）、DeepSe…...

编程日记 2025/8/10 6:04:23

Nginx 刷新后 404 的原因与解决方案

文章目录 Nginx 刷新后 404 的原因与解决方案静态资源路径问题（单页应用 SPA）解决方案：使用 try_files Nginx 资源路径 (root 或 alias) 配置错误示例：正确的 root配置浏览器缓存或 Nginx 缓存影响清除浏览器缓存给静态资源加版本…...

编程日记 2025/8/5 18:37:22

AI赋能实时安全背带监测解决方案

背景：安全背带检测的行业刚需与技术痛点在建筑施工、石油化工、仓储物流等高危行业中，安全背带是保障作业人员生命安全的最后一道防线。据统计，超过30%的高空坠落事故与未正确佩戴安全背带直接相关。传统依赖人工巡检的监督方式存在效率低、…...

编程日记 2025/8/4 4:41:43

【ES6】03-Set + Map

本文介绍两种集合 set map 的操作和方法。目录 1. Set 1.1 set基本使用 1.2 add 1.3 delete 1.4 has 1.5 size 1.6 set转换为数组 1.7 拓展运算符 1.8 for...of 1.9 forEach 1.10 set给数组去重 2. Map 2.1 创建map集合 2.2 set添加元素 2.3 delete删除元素 …...

编程日记 2025/8/5 14:51:49

upload?SSTI! import os import refrom flask import Flask, request, jsonify,render_template_string,send_from_directory, abort,redirect from werkzeug.utils import secure_filename import os from werkzeug.utils import secure_filenameapp Flask(__name__)# 配置…...

编程日记 2025/8/8 15:16:18

在前面的课程里，我们已经了解了深度学习的数学基础，也用一个简单的例子展示了神经网络的强大能力。本讲我们要更深入地探讨神经网络的结构、训练过程，以及如何用它解决实际问题。

3.1 神经网络剖析

3.2 Keras简介

3.3 建立深度学习工作站

3.4 电影评论分类：二分类问题

3.5 新闻分类：多分类问题

3.6 预测房价：回归问题

总结

相关文章：