当前位置：首页 > news >正文

seo网站关键词优化报价网络营销工具的特点

news 2025/9/16 3:51:43

seo网站关键词优化报价,网络营销工具的特点,电商设备网站怎么做,wordpress看不到图片☁️主页 Nowl 🔥专栏《机器学习实战》《机器学习》 📑君子坐而论道，少年起而行之文章目录介绍记忆功能对比展现任务描述导入库处理数据前馈神经网络循环神经网络编译与训练模型模型预测可能的问题梯度消失梯…

☁️主页 Nowl

🔥专栏《机器学习实战》《机器学习》

📑君子坐而论道，少年起而行之

文章目录

介绍

记忆功能对比展现

任务描述

导入库

处理数据

前馈神经网络

循环神经网络

编译与训练模型

模型预测

可能的问题

梯度消失

梯度爆炸

其他的循环神经网络

结语

介绍

RNN也叫循环神经网络，普通的神经网络层的输入都是上一层的输出，而循环神经网络会在RNN层循环指定次数，这样的特点使得RNN在处理序列数据上表现得很好，因为它可以更好地记住前后文的关系

记忆功能对比展现

任务描述

我们有一段数字序列，我们训练一个神经网络，使得该模型能通过任意连在一起的两个数，判断出第三个数

我们先定义数字序列

data_sequence = [1, 3, 5, 2, 4, 9, 7, 6, 8]

导入库

import numpy as np
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense

处理数据

# 准备训练数据，使用前两个数字作为输入，预测第三个数字，以此类推
X = []
y = []for i in range(len(data_sequence)-2):X.append([data_sequence[i], data_sequence[i+1]])y.append(data_sequence[i+2])X = np.array(X)
y = np.array(y)# 转换数据形状以适应RNN
X = X.reshape((X.shape[0], X.shape[1], 1))

我们打印X，得到下图结果，结果竖向排列，无法展示完全，X的形状为（7， 2， 1）（两两排列有七组数据，每组数据两个特征，每个特征单独输入）

打印y

为每两个数的第三个数

前馈神经网络

接下来我们定义一个简单的前馈神经网络

model = Sequential()
model.add(Dense(500, input_dim=2))
model.add(Dense(1))

该模型有三层，输入层（没有在这里定义，我们等下输入的数据就充当这一层），一个500个神经元的线性层（输入维度为二），一个输出维度为1的输出层（输入维度为上一层神经元的个数，即500）

循环神经网络

定义一个循环神经网络

# 创建RNN模型
model = Sequential()
model.add(SimpleRNN(500, input_shape=(2, 1)))
model.add(Dense(1))

该模型有三层，输入层（没有在这里定义，我们等下输入的数据就充当这一层），一个500个神经元的RNN层（input_shape=（2，1）的意思是时间步为2，每个时间步有一个数据，可以理解时间步为网络记忆的长度），一个输出维度为1的输出层（输入维度为上一层神经元的个数，即500）

编译与训练模型

# 编译模型
model.compile(optimizer='adam', loss='mse')# 训练模型
model.fit(X, y, epochs=200, batch_size=1, verbose=2)

编译阶段设置模型的优化器为adam，损失函数为mse
训练部分设置模型训练数据（X，y），设置训练回合为200次，批次为1，即一次输入一组数据，verbose决定了是否打印训练过程中的信息。verbose=2 表示打印每个 epoch 的信息，包括损失值和其他指标。verbose=0表示不打印任何信息，verbose=1表示打印进度条。

模型预测

接下来看看在相同神经元数量和相同训练批次上谁的效果更好吧

# 使用模型进行预测
input_data = np.array([[data_sequence[2], data_sequence[3]]])
predicted_value = model.predict(input_data)[0, 0]# 打印预测结果
print(f"输入序列: {data_sequence[2:4]}，预测下一个数字: {predicted_value}")

我们训练后使用5， 2进行预测，查看原始数据，我们知道下一个数字应该是4，让我们看看两个模型运行的结果吧

前馈神经网络