[人工智能]李宏毅机器学习第一天 深度学习初探—多分类问题

题目：

这是一个多分类问题，生成2段数据，一个做验证，一个做测试

对数字101到1000做了labeling，即训练数据xtrain.shape=(900,10)，每一个数字都是用二进位来表示，第一个数字是101，用二进位来表示即为[1,0,1,0,0,1,1,0,0,0]，每一位表示$2^{n-1}$，$n$表示左数第几位。现在一共有四个case，[一般，Fizz，Buzz，Fizz Buzz]，所以y_train.shape=(900,10)，对应的维度用1表示，其他都为0

算法：

采用深度学习keras算法。Keras是一个用python编写的高级神经网络API，算法比较简单。能够比较简单的建立一个网络。则这里就用keras的一些算法组建一个网络。

from keras.layers.normalization import BatchNormalization

from keras.models import Sequential

from keras.layers.core import Dense,Dropout,Activation

from keras.optimizers import SGD,Adam

import numpy as np

#生成数据集的方法，其中目标值是4类，相当于做了一个one-hot

def fizzbuzz(start,end):

x_train,y_train=[],[]

for i in range(start,end+1):

num = i

tmp=[0]*10

j=0

while num :

tmp[j] = num & 1

num = num>>1

j+=1

x_train.append(tmp)

if i % 3 == 0 and i % 5 ==0:

y_train.append([0,0,0,1])

elif i % 3 == 0:

y_train.append([0,1,0,0])

elif i % 5 == 0:

y_train.append([0,0,1,0])

else :

y_train.append([1,0,0,0])

return np.array(x_train),np.array(y_train)

x_train,y_train = fizzbuzz(101,1000) #打标记函数

x_test,y_test = fizzbuzz(1,100)

#建模 model.add就是建立网络模型。Dense是一个全连接层，输入是10，输出是100；Activation是一个激活函数，

model = Sequential()

model.add(Dense(input_dim=10,output_dim=100))

model.add(Activation('relu'))

model.add(Dense(output_dim=4))

model.add(Activation('softmax'))

#编译 使用与二分类一样的优化器、损失函数

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

#训练模型

model.fit(x_train,y_train,batch_size=20,nb_epoch=100)

#结果评估

result = model.evaluate(x_test,y_test,batch_size=1000)

print('Acc：',result[1])