简介
本例出自《Python 深度学习》，自己做了一个简单的总结归纳。
完整代码请参考：[https://github.com/fchollet/deep-learning-with-python-notebooks](
代码
加载数据集
注意：第一次运行时会下载数据集，速度较慢，请耐心等候。
from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
数据标准化
# 数据标准化
"""
Q：为什么要对数据进行标准化处理？
A：因为不同指标之间的差值较大，很不利于神经网络进行学习。
因此我们需要手动对输入的特征值进行处理，将特征值先减去特征值的均值再处于标准差。
这样就可以将不同的特征值保留在一个差异较小的范围。
而且由于是线性处理，因此相同特征值之间的差异并没有被改变
"""
mean = train_data.mean(axis=0) # 特征差
train_data -= mean # 减去特征差
std = train_data.std(axis=0) # 标准差
train_data /= std
print(train_data)
# 对测试数据集也做同样操作
test_data -= mean
test_data /= std
构建网络
# 构建网络
from keras import models
from keras import layers
def build_model():
model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(train_data.shape[1], )))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
"""
Q：为什么这个网络最后一层不使用激活函数？
A：不使用激活函数的话这就是一个线性层。
这是标量回归（标量回归是预测单一连续值的回归）的典型设置。
添加激活函数将会限制输出范围。
例如，如果向最后一层添加sigmoid激活函数，网络只能学会预测0~1范围内的值。
这里最后一层是纯线性的，所以网络可以学会预测任意范围内的值。
"""
return model
使用K折验证训练模型
**提示：**由于我们每次训练的训练轮数为500次，并且训练时开启了静默模式。如果输出结果长时间没有变化请耐心等候。不要误认为程序出错没有执行！
# K折验证
"""
Q：为什么我们需要使用K折验证？
A：因为数据量太少。
如果选择只使用数据集一次，那么训练结果会和数据的分布情况有很大相关性。
数据集分布不同输出结果会有很大差异，即误差较大，这不符合泛化的理念。
使用K折验证可以减小这种误差。
"""
import numpy as np
k = 4
num_val_samples = len(train_data) // 4
num_epochs = 500
all_source = []
all_mae_histories = []
for i in range(k):
print('processing fold #', i)
val_data = train_data[i * num_val_samples : (i + 1) * num_val_samples]
val_targets = train_targets[i*num_val_samples:(i+1)*num_val_samples]
partial_train_data = np.concatenate([train_data[:i * num_val_samples], train_data[(i + 1)*num_val_samples:]], axis=0)
partial_train_targets = np.concatenate([train_targets[:i*num_val_samples], train_targets[(i+1)*num_val_samples:]], axis=0)
model = build_model()
history = model.fit(partial_train_data, partial_train_targets, validation_data=(val_data, val_targets), epochs=num_epochs, batch_size=1, verbose=0)
# val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)
# all_source.append(val_mae)
print(history.history.keys())
mae_history = history.history['val_mae']
all_mae_histories.append(mae_history)
绘制图表观测训练过程
# 计算所有轮次中的K折验证分数平均值
average_mae_history = [np.mean([x[i] for x in all_mae_histories]) for i in range(num_epochs)]
# 绘制验证分数
import matplotlib.pyplot as plt
plt.plot(range(1, len(average_mae_history)+1), average_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
# 绘制验证分数，删除前十个点
"""
Q：为什么要重新绘制图表？
A：因为纵轴的范围较大，且数据方差相对较大，难以看清这张图的规律。
Q：怎样优化图表？
A：删除前10个数据点，因为它们的取值范围与曲线上的其他点不同。
将每个数据点替换为前面数据点的指数移动平均值，以得到光滑的曲线。
"""
def smooth_curve(points, factor=0.9):
smoothed_points = []
for point in points:
if smoothed_points:
previous = smoothed_points[-1]
smoothed_points.append(previous * factor + point * (1 - factor))
else:
smoothed_points.append(point)
return smoothed_points
smooth_mae_history = smooth_curve(average_mae_history[10:])
plt.plot(range(1, len(smooth_mae_history) + 1), smooth_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
训练最终模型
# 训练最终模型
model = build_model()
model.fit(train_data, train_targets, epochs=80, batch_size=16, verbose=0)
test_mes_score, test_mae_score = model.evaluate(test_data, test_targets)
# 输出最终结果
print(test_mae_score)
# 2.509598970413208
小结
- 回归问题使用的损失函数与分类问题不同，回归常用的损失函数是均方误差（MSE）。
- 回归问题使用的评估指标也与分类问题不同，精度的概念不适用于回归问题。常见的回归指标是平均绝对误差（MAE）。
- 如果输入数据的特征具有不同的取值范围，应该先进行预处理，对每个特征单独进行缩放。
- 如果可用的数据很少，使用K折验证可以可靠地评估模型。
- 如果可用的训练数据很少，最好使用隐藏层较少（通常只有一到两个）的小型网络，以避免严重的过拟合。