MLP多层感知器 Multi-Layer Perceptron

Part 1. 算法逻辑

实现经典问题——如何通过图像区分猫和狗
神经网络：建立模型，模仿人的思考机制

将“机器学习_逻辑回归”按照神经元的逻辑，组成逻辑网络。
解释： 假设自变量x[]和应变量y，机器学习只能做到 y= f(x)的拟合；而神经网络学习做到的是，生成中间变量 z[]=f(x[])，并拟合 y=g(z[])，从而得到 y=g(f(x[]))。这个过程好像神经元的生成过程。
简化理解： 就是多个逻辑回归、线性回归的“迭代”，越迭代越准确。

Part 2. 算法流程

Step 1. 建立 Sequential模型

from keras.models import Sequential
model = Sequential()

Step 2. 通过.add()叠加各层神经网络

from keras.layers import Dense,activation
model.add( Dense(units=3,activation='sigmoid',input_dim=3) )
# 表示：添加一个隐藏层，隐藏层符合下述规则
# 该层（输出层）有units个神经元，输入层有input_dim个神经元
# 该层（输出)采用"sigmoid"即逻辑回归法，作为中间神经联系
model.add( Dense(units=1,activation='sigmoid') )

注：activation 激活参数 的常见参数
sigmoid: 逻辑回归
softmax

Step 3. 通过.compile()配置模型求解过程的参数

model.compile(loss='categorical_crossentropy',optimizer='sgd' )
# loss表示所使用的损失函数
# 参数优化器 采用 'sgd'

注：loss 损失函数 的常见参数
categorical_crossentropy: 分类问题的损失函数
损失函数的选择，参考本链接

注：optimizer 参数优化器 的常见参数
'sgd'
'adam'
参数优化器的选择，参考本链接

Step 4. 模型训练

feature_size = (img1.shape[0])*(img1.shape[1])
x_train_format = x_train.reshape(x_train.shape[0],feature_size)
# 转换输入数据的维度

model.fit(x_train,y_train,epochs=5)
# 迭代epoch次训练

Step 5. 结果预测

pred_y_test = model.predict_classes(x_test)

Step 6. 转换输出结果的格式

from keras.utils import to_categorical
y_train_format = to_categorical(y_train)