from keras import *
# from keras.datasets import cifar10
from keras.layers import Dense
from keras.layers import Activation
import keras
model = Sequential()
model.add(Dense(input_dim=28*28, output_dim=500))
model.add(Activation('sigmoid'))
model.add(Dense(output_dim=500))
model.add(Activation('sigmoid'))
model.add(Dense(output_dim=10))
model.add(Activation('softmax'))
model.compile(loss='mse', optimizer=keras.optimizers.SGD(lr=0.1), metrics=['accuracy'])
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
model.fit(x_train, y_train, batch_size=100, nb_epoch=20)
score = model.evaluate(x_test, y_test)
print 'Total loss on Testing Set:', score[0]
print 'Accuracy Testing Set:', score[1]
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型,称为“训练数据”,以便在没有明确编程来执行任务的情况下进行预测或决策。[1][2]机器学习算法用于各种应用,例如电子邮件过滤和计算机视觉,在这些应用中,开发用于执行任务的特定指令的算法是不可行的。机器学习与计算统计学密切相关,计算统计学侧重于使用计算机进行预测。算法优化的研究为机器学习领域提供了方法、理论和应用领域。数据挖掘是机器学习中的一个研究领域,侧重于探索性数据分析到无监督学习。[3][4]在跨业务问题的应用中,机器学习也被称为预测分析。
资源推荐
资源详情
资源评论
收起资源包目录
机器学习demo.zip (13个子文件)
content
db_to_data.py 153B
.idea
MachineLearning.iml 551B
webServers.xml 596B
$CACHE_FILE$ 159B
vcs.xml 243B
misc.xml 347B
inspectionProfiles
profiles_settings.xml 174B
modules.xml 282B
deployment.xml 724B
.gitignore 38B
keras_test.py 742B
AiLearning
test.py 121B
MyMl
__init__.py 151B
共 13 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3924
- 资源: 7441
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功