python神经网络

import numpy as np np.random.seed(1337) from keras.datasets import mnist from keras.models import Model from keras.layers import Dense, Input import matplotlib.pyplot as plt (x_train,y_train),(x_test,y_test) = mnist.load_data() x_train = x_train.astype('float32') / 255.-0.5 #(-0.5,0.5)的区间 x_test = x_test.astype('float32') / 255.-0.5 x_train = x_train.reshape((x_train.shape[0],-1)) x_test = x_test.reshape((x_test.shape[0],-1)) print(x_train.shape) print(x_test.shape) # 最终压缩成2个 encoding_dim = 2 # 输入 input_img = Input(shape=(784,)) # encoder layers encoded = Dense(128, activation='relu')(input

2019年年初，ApacheCN组织志愿者翻译了PyTorch1.0版本中文文档（ github地址 ），同时也获得了PyTorch官方授权，我相信已经有许多人在 中文文档官网 上看到了。不过目前 校对 还缺人手，希望大家踊跃参与。之前一段时间我们和PyTorch的有关负责人Bruce Lin一直在进行邮件交流。在之后适当的时候，我们会组织志愿者进行其他有关PyTorch的项目，欢迎大家加入我们，关注我们。更希望我们的一系列工作能够对大家有所帮助。 译者： bat67 校对者： FontTian 可以使用 torch.nn 包来构建神经网络. 我们已经介绍了 autograd ， nn 包则依赖于 autograd 包来定义模型并对它们求导。一个 nn.Module 包含各个层和一个 forward(input) 方法，该方法返回 output 。 例如，下面这个神经网络可以对数字进行分类： 这是一个简单的前馈神经网络（feed-forward network）。它接受一个输入，然后将它送入下一层，一层接一层的传递，最后给出输出。 一个神经网络的典型训练过程如下： 定义包含一些可学习参数（或者叫权重）的神经网络 在输入数据集上迭代 通过网络处理输入 计算损失（输出和正确答案的距离） 将梯度反向传播给网络的参数 更新网络的权重，一般使用一个简单的规则： weight = weight

1 """ python绘制神经网络训练精度与损失 """ 2 3 # 导入相应包 4 from matplotlib import pyplot as plt 5 6 # 构造绘图函数 7 def drow(history): 8 epochs = range(1, len(history['loss']) + 1) 9 plt.plot(epochs, history['loss'], 'bo', label='Training loss') 10 plt.plot(epochs, history['val_loss'], 'b', label='Validation loss') 11 plt.title('Training and Validation loss') 12 plt.xlabel('Epochs') 13 plt.ylabel('Loss') 14 plt.legend() 15 16 plt.imsave('E:/acc_and_loss/Training and Validation loss.jpg') 17 18 plt.figure() 19 epochs = range(1, len(history['acc']) + 1) 20 plt.plot(epochs, history['acc'], 'bo', label='Training acc'