TensorFlow 简单的二分类神经网络的训练和应用流程

news2025/2/1 23:09:32

展示了一个简单的二分类神经网络的训练和应用流程。主要步骤包括：

1. 数据准备与预处理

2. 构建模型

3. 编译模型

4. 训练模型

5. 评估模型

6. 模型应用与部署

加载和应用已训练的模型

1. 数据准备与预处理

在本例中，数据准备是通过两个 Numpy 数组来完成的：

x：输入特征，形状为 (8, 2)，包含 8 个数据点，每个数据点有 2 个特征。
y：标签，形状为 (8,)，包含对应的 0 或 1 标签，表示每个输入点的类别。

x = np.array([[1, 1], [1, -1], [-1, 1], [-1, -1], [0.7, 0.7], [0.7, -0.7], [-0.7, -0.7], [-0.7, 0.7]])
y = np.array([1, 1, 1, 1, 0, 0, 0, 0])

2. 构建模型

使用 Keras 的 Sequential 模型来构建神经网络。此模型包含两个全连接层（Dense 层）：

第一个 Dense 层有 3 个单位，激活函数是 Sigmoid。
第二个 Dense 层有 1 个单位，激活函数是 Sigmoid，输出层的激活函数将模型输出的值映射到 0 到 1 之间，适合二分类任务。

l1 = tf.keras.layers.Dense(units=3, activation='sigmoid')
l2 = tf.keras.layers.Dense(units=1, activation='sigmoid')
model = tf.keras.Sequential([l1, l2])

3. 编译模型

在编译阶段，我们选择了优化器、损失函数和评估指标：

优化器：SGD（随机梯度下降），学习率设置为 0.9。
损失函数：binary_crossentropy，适用于二分类任务。
评估指标：accuracy，表示训练过程中对分类准确率的衡量。

sgd = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=sgd, loss='binary_crossentropy', metrics=['accuracy'])

4. 训练模型

通过 model.fit() 函数来训练模型。我们传入训练数据 x 和标签 y，并设置训练的 epoch 数量为 2000。

model.fit(x, y, epochs=2000)

5. 评估模型

在此示例中，评估部分通过训练后的 model 来进行，并没有显式写出 evaluate() 函数。评估通常是在训练之后，通过测试集或验证集对模型性能进行评估，具体可以使用 model.evaluate() 来查看损失和准确度。

6. 模型应用与部署

训练完成后，我们保存了训练好的模型。保存后的模型可以被加载和应用于新的数据集。

model.save('my_model.keras')  # 保存模型

7.加载和应用已训练的模型

加载保存的模型，并用其对新数据进行预测。model.predict() 方法返回的是预测的概率值，我们通过设置阈值（如 0.9）将其转换为类别（0 或 1）。

model = tf.keras.models.load_model('my_model.keras')  # 加载模型
nx = np.array([[2, 2], [0.1, 0.1], [1.1, 1.2], [0.3, 0.3]])  # 新的输入数据
predictions = model.predict(nx)  # 获取预测结果
print(predictions)  # 输出概率

# 将概率转化为类别
predicted_classes = (predictions > 0.9).astype(int)
print(predicted_classes)  # 输出最终的类别预测

8.完整代码
test.py 训练模型

import tensorflow as tf
import numpy as np
# 创建int32类型的0维张量，即标量
l1=tf.keras.layers.Dense(units=3,activation='sigmoid')
l2=tf.keras.layers.Dense(units=1,activation='sigmoid')
model=tf.keras.Sequential([l1,l2])
sgd = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=sgd, loss='binary_crossentropy', metrics=['accuracy'])
x=np.array([[1,1],[1,-1],[-1,1],[-1,-1],[0.7,0.7],[0.7,-0.7],[-0.7,-0.7],[-0.7,0.7]])
y=np.array([1,1,1,1,0,0,0,0])
model.fit(x,y,epochs=2000)
# 保存训练好的模型（Keras 格式）
model.save('my_model.keras')

test2.py加载模型并进行预测：

import tensorflow as tf
import numpy as np

# 加载训练好的模型
model = tf.keras.models.load_model('my_model.keras')

# 预测数据
nx = np.array([[2, 2], [0.1, 0.1], [1.1, 1.2], [0.3, 0.3]])

# 获取预测结果
predictions = model.predict(nx)

# 输出预测结果
print(predictions)

# 如果需要将概率转化为类别（0或1）
predicted_classes = (predictions > 0.9).astype(int)

# 输出最终的类别预测
print(predicted_classes)