1 import keras
  2 from keras.datasets import reuters
  3 import numpy as np
  4 from keras import models
  5 from keras import layers
  6 import matplotlib.pyplot as plt
  7 
  8 #1. 获取数据集
  9 (train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)
 10 
 11 # print(train_data.shape)#(8982,)
 12 # print(test_data.shape)#(2246,)
 13 
 14 
 15 #2. 数据处理
 16 #2.1 将整数序列编码为二进制矩阵
 17 def vectorize_sequences(sequences, dimension=10000):
 18     results = np.zeros((len(sequences), dimension))
 19     for i, sequence in enumerate(sequences):
 20         results[i, sequence] = 1.
 21     return results
 22 
 23 #2.2 将训练集和测试集进行编码
 24 x_train = vectorize_sequences(train_data)
 25 x_test = vectorize_sequences(test_data)
 26 
 27 #2.3 独热码
 28 def to_one_hot(labels, dimension=46):
 29     results = np.zeros((len(labels), dimension))
 30     for i, label in enumerate(labels):
 31         results[i, label] = 1.
 32     return results
 33 
 34 #2.4 将列表编码为独热码
 35 one_hot_train_labels = to_one_hot(train_labels)
 36 one_hot_test_labels = to_one_hot(test_labels)
 37 
 38 # #2.4 等同于
 39 # from keras.utils.np_utils import to_categorical
 40 # one_hot_train_labels = to_categorical(train_labels)
 41 # one_hot_test_labels = to_categorical(test_labels)
 42 
 43 #3. 建立网络模型
 44 from keras import models
 45 from keras import layers
 46 
 47 model = models.Sequential()
 48 model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
 49 model.add(layers.Dense(64, activation='relu'))
 50 model.add(layers.Dense(46, activation='softmax'))
 51 
 52 #4. 设置编译三参数
 53 model.compile(optimizer='rmsprop',
 54               loss='categorical_crossentropy',
 55               metrics=['accuracy'])
 56 
 57 
 58 # #4.x 如果使用整数张量进行编码，
 59 # #则替换为sparse_categorical_crossentropy损失函数
 60 # y_train = np.array(train_labels)
 61 # y_test = np.array(test_labels)
 62 
 63 # model.compile(optimizer='rmsprop',
 64 #               loss='sparse_categorical_crossentropy',
 65 #               metrics=['accuracy'])              
 66 
 67 
 68 #5. 使用验证集确定epochs等超参数
 69 x_val = x_train[:1000]
 70 partial_x_train = x_train[1000:]
 71 
 72 y_val = one_hot_train_labels[:1000]
 73 partial_y_train = one_hot_train_labels[1000:]
 74 
 75 history = model.fit(partial_x_train,partial_y_train,epochs=10,batch_size=512,validation_data=(x_val,y_val))
 76 
 77 
 78 # #验证损失与迭代轮数的关系
 79 # loss = history.history['loss']
 80 # val_loss = history.history['val_loss']
 81 
 82 # epochs = range(1, len(loss) + 1)
 83 
 84 # plt.plot(epochs, loss, 'bo', label='Training loss')
 85 # plt.plot(epochs, val_loss, 'b', label='Validation loss')
 86 # plt.title('Training and validation loss')
 87 # plt.xlabel('Epochs')
 88 # plt.ylabel('Loss')
 89 # plt.legend()
 90 
 91 # plt.show()
 92 
 93 
 94 # #验证精度与迭代轮数的关系
 95 # plt.clf()   # clear figure
 96 
 97 # acc = history.history['accuracy']
 98 # val_acc = history.history['val_accuracy']
 99 
100 # plt.plot(epochs, acc, 'bo', label='Training acc')
101 # plt.plot(epochs, val_acc, 'b', label='Validation acc')
102 # plt.title('Training and validation accuracy')
103 # plt.xlabel('Epochs')
104 # plt.ylabel('Loss')
105 # plt.legend()
106 
107 # plt.show()
108 
109 
110 #6. 训练模型并评估模型
111 results = model.evaluate(x_test, one_hot_test_labels)
112 print(results)
113 # [损失值,准确率]
114 # [0.9887034296989441, 0.7898486256599426]
115 
116 #7. 进行预测
117 model.predict(x_test)

 

小结：

(1)如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层。

(2)对于单标签、多分类问题，网络的最后一层应该使用 softmax 激活，这样可以输出在 N个输出类别上的概率分布。

(3)这种问题的损失函数几乎总是应该使用分类交叉熵。它将网络输出的概率分布与目标的真实分布之间的距离最小化。

(4)处理多分类问题的标签有两种方法。

(5)通过分类编码（也叫 one-hot 编码）对标签进行编码，然后使用 categorical_crossentropy 作为损失函数。

(6)将标签编码为整数，然后使用 sparse_categorical_crossentropy 损失函数。

(7)如果你需要将数据划分到许多类别中，应该避免使用太小的中间层，以免在网络中造成信息瓶颈。