用Keras库和Python开发你的第一个神经网络

落茶茶

10人浏览 · 2026-03-12 15:44:50

落茶茶 · 2026-03-12 15:44:50 发布

（原文参考https://cloud.tencent.com/developer/news/291298。Keras库自TensorFlow 2.0 起已集成在 TensorFlow库中，安装了TensorFlow库则不用再单独安装Keras库）

教程概述

使用Keras创建神经网络模型不需要你写太多代码，创建神经网络模型的步骤如下：

1）加载数据

2）定义模型

3）编译模型

4）训练模型

5）评估模型

6）做出预测

创建一个.py新文件，然后一步一步把代码复制、粘贴到文件中。

1）加载数据

当使用随机过程（例如随机数）的机器学习算法时，最好设置随机数种子（seed），这样可以反复运行相同的代码并获得相同的结果，例如：

from keras.models import Sequential

from keras.layers import Dense

import numpy

# fix random seed for reproducibility

numpy.random.seed(7)

#训练神经网络过程中到处都有随机行为，随机种子的作用就是 “锁住” 这些随机行为，让每次运行的结果完全一致。如果需要完全复现结果（生成同样的随机数），要同时固定「Python+NumPy+TensorFlow」三层种子，且固定3层随机种子要在导入keras之前，因为Keras 在导入时可能会初始化一些底层组件，提前固定种子能确保这些组件的随机行为也被锁住。

现在可以加载我们的数据了，在本教程中，我们将使用皮马印第安人糖尿病数据集（下载地址https://gitee.com/biabianm/pima-indians-diabetes）。这是来自UCI机器学习库的标准机器学习数据集。这是一个皮马印第安人的患者病历数据集，显示近五年内糖尿病患者是否发作。因此，这是一个二元分类问题（糖尿病发作为1或未发作为0）。数据集共有768个样本（患者），每个样本（患者）有8个特征值。数据集如下图所示，前8列为8个特征值，最后一列为标签值。

下载数据集并将其放在与python文件相同目录下（pima-indians-diabetes.csv为数据集文件），现在可以使用NumPy的loadtxt()函数直接加载数据集。数据集中一行有9个数值，前8个是特征值（输入数据的原始特征），最后一个是标签值（已知的正确答案输出或者期望返回的输出）。加载后，我们可以将数据集拆分为输入变量X（即前8个特征值）和输出变量Y（即最后一个标签值），代码如下：

#load pima indians dataset

dataset = numpy.loadtxt("pima-indians-diabetes.csv",delimiter="," ,skiprows=1) # delimiter=','因csv文件就是以逗号分隔的，skiprows=1跳过第一行

#split into input (X) and output (Y) variables

X = dataset[:,0:8] # numpy数组的多维切片，所有行的0:8列（不含索引8的列），即前8列

Y = dataset[:,8] # numpy数组的多维切片，所有行的第9列

数据已经加载完成，现在准备定义我们的神经网络模型。注意，数据集有9列。

2）定义/搭建神经网络模型

我们使用Keras中的Sequential模型即序列模型，首先我们创建一个Sequential模型，然后使用add()函数一次添加一个层，一直添加到我们满意的层数为止，在本教程中共3层。

我们将创建具有3层的全连接网络结构。全连接层（当前层的每一个神经元都与前一层的所有神经元相连）使用Dense()来定义。在第一层中，我们可以指定层中神经元的数量作为第一个参数，输入维度作为第二个参数，激活函数作为第三个参数；在第二层中，指定层中神经元的数量作为第一个参数，激活函数作为第二个参数；第三层和第二层相似，指定层中神经元的数量作为第一个参数，激活函数作为第二个参数。

我们在前两层使用"relu"激活函数，在输出层使用"sigmoid"激活函数。顺便提一下，以前创建神经网络时优先选择"sigmoid"和"tanh"激活函数。现在都是使用"relu"激活函数，因为相比之下它的表现比"sigmoid"和"tanh"更优秀。我们在输出层使用"sigmoid"来确保我们的网络输出介于0和1之间。

创建神经网络的代码如下所示，第一层有12个神经元，需要8个输入变量。第二个隐藏层有8个神经元，最后，输出层有1个神经元来预测类别（糖尿病的发病与否）。

#create model

model=Sequential() #实例化keras库中的models模块中的Sequential类序贯模型

model.add(Dense(12,input_dim=8, kernel_initializer='uniform', activation='relu')) #第一层：12个神经元，输入维度8（对应X的8个特征），relu激活。调用keras库中layers模块中的Dense类生成对象，再添加到模型中即传给model.add()。kernel_initializer（“权重初始化器”）是 Keras 中层的核心参数，作用是：在模型训练开始前，为层的权重（kernel）设置初始值。

model.add(Dense(8,activation='relu'))

model.add(Dense(1,activation='sigmoid'))

神经网络模型已经搭建起来了，是不是很有成就感，是不是很简单！！！

3）编译模型（配置训练规则）

神经网络模型搭建起来之后，下一步我们就该编译它了。编译操作很简单，只需要一个.compile()函数就搞定了，要记住训练网络的目的是要找到最好的权重集和偏置，使模型具有最佳的预测功能。

第一步我们需要指定一个用于评估一组权重的损失函数，第二步需要指定一个用于寻找最好权重集和偏置的优化器。在本教程中我们使用“binary_crossentropy”作为损失函数，使用“adam”作为优化器，最后我们使用”accuracy”准确率作为评估的指标。编译模型.compile()时的参数决定指标顺序：Keras 会把「loss」和「metrics 里的指标」合并成一个指标列表，顺序是：[loss, accuracy]，可在编译后验证：print(model.metrics_names) # 输出：['loss', 'accuracy']。编译代码如下：

#Compile model

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

4）训练模型（让模型学习数据）

上一步完成了神经网络模型的编译，接下来就该用数据集对模型进行训练了。

我们通过调用keras的.fit()函数对模型进行训练，训练代码如下所示：X、Y分别是数据集的特征值和标签值，epochs表示训练多少轮，batch_size表示一次训练多少个样本，对于初学者来说epochs和batch_size这两个名词不容易理解，其实很简单，举个例子，有一条小河，河上有一座破桥，破桥每次只允许10个人同时过桥，现在有1000个人要过桥，注意，关键时刻到了，1000个人全部过去就是1个epoch，1000个人全部从对岸过来又是一个epoch，1000个人过了几次桥就是几个epoch，再说batch_size，每次只允许10个人同时过桥，那么batch_size就等于10，已经够清楚了吧。

在训练完后，我的model变量就改变了，model.fit() 会直接修改 model 内部的核心参数（权重 / 偏置），从随机初始值变成训练后学到的最优值，因此后面可以用它预测。

# Fit the model

model.fit(X,Y,epochs=150,batch_size=10)

5）评估模型（这部分去掉也可运行，但建议保留以评估模型）

我们已经在整个数据集上训练了神经网络，我们也将在同一数据集上做测试来评估网络的性能。注意本教程中没有划分训练集和测试集，是用整个数据集做训练，然后再用整个数据集做测试，我们这样做是为了简化，理想情况下，应该将数据集分为训练集和测试集，以便对模型进行训练和评估。使用keras的evaluate()函数在数据集上评估模型，操作很简单，代码如下所示：将特征值数据X和标签值数据Y传递给evaluate()函数，函数将评估结果返回给scores，包括平均损失和配置的其他指标，例如准确率指标。

#evaluate the model

scores=model.evaluate(X,Y) #理论上，评估应使用新数据而非训练模型的数据，推荐和测试数据相同！返回值是一个列表，包含损失值loss 和准确率accuracy 2个参数

print('指标名列表：', model.metrics_names)

print("loss值：", scores[0])

print("accuracy值：", scores[1])

print('\n%s:%.2f%%'%(model.metrics_names[1], scores[1]*100)) #输出评估结果scores

运行以上所有代码，应该可以看到150个epoch中每个epoch的消息，打印每个epoch的损失值和准确率，然后在数据集上对模型进行最终评估。

注意：如果你尝试在IPython或Jupyter笔记本中运行上述代码可能会出错。出错的原因是训练期间的输出进度条问题。可以通过在对model.fit（）函数调用时设置verbose= 0来轻松解决。

6）利用模型做出预测

训练模型的最终目的是对输入数据做出预测，到目前为止，我们的第一神经网络已经训练完成了，可以对输入数据进行预测了。调用keras的predict()函数对输入数据进行预测，将特征值X传递给model.predict()函数，由于我们在输出层使用sigmoid激活函数，因此预测值将是0和1之间的小数。我们期望的输出值是0（糖尿病未发作）或者1（糖尿病发作），我们可以调用round()函数，通过四舍五入方法轻松地将0到1之间的小数数值转化为只有0或1的预测值。

# calculate predictions 利用模型来预测

pred=model.predict(X) #理论上，测试的数据应与训练的数据不同！输入的X是n行*8列，输出层是1个神经元，则.predict(X)的输出是n行*1列的二维数组，例如[[0.05], [0.98], [0.49]]。

# round predictions

result=[round(i[0]) for i in pred] #列表推导式，把二维数组中的小数取出并四舍五入。round() 函数对数字四舍五入。

print(result)

7）下面为全部完整代码（评估模型的部分去掉也可以运行，但建议保留以评估模型）

# 导入依赖库

from keras.models import Sequential

from keras.layers import Dense

import numpy

# fix random seed for reproducibility固定随机种子（保证结果可复现）

numpy.random.seed(7)

# load pima indians dataset 加载并拆分数据

dataset=numpy.loadtxt('pima-indians-diabetes.csv', delimiter=',',skiprows=1)

# split into input (X) and output (Y) variables

X=dataset[:,0:8] #numpy数组的多维切片，所有行的0:8列（不含索引8的列），即前8列

Y=dataset[:,8] #numpy数组的多维切片，所有行的第9列

# create model 定义/搭建神经网络模型

model = Sequential() #实例化keras库中的models模块中的Sequential类序贯模型

model.add(Dense(12,input_dim=8,kernel_initializer='uniform',activation='relu')) #第一层：12个神经元，输入维度8（对应X的8个特征），relu激活

model.add(Dense(8,activation='relu')) # 第二层：8个神经元，relu激活

model.add(Dense(1,activation='sigmoid')) # 输出层：1个神经元，sigmoid激活（二分类专用）

# Compile model 编译模型（配置训练规则）

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

#训练过程中会输出accuracy：准确率，越大越好；loss：损失值（越小越好，代表预测结果越接近真实值）。

# Fit the model 训练模型（让模型学习数据）

model.fit(X,Y,epochs=150,batch_size=10)

#evaluate the model 模型评估

scores=model.evaluate(X,Y) #理论上，评估应使用新数据而非训练模型的数据，推荐和测试数据相同！返回值是一个列表，包含损失值loss 和准确率accuracy 2个参数

print('指标名列表：', model.metrics_names)

print("loss值：", scores[0])

print("accuracy值：", scores[1])

print('\n%s:%.2f%%'%(model.metrics_names[1], scores[1]*100)) #输出评估结果scores

# calculate predictions 利用模型来预测

# round predictions

result=[round(i[0]) for i in pred] #列表推导式，把二维数组中的小数取出并四舍五入。round() 函数对数字四舍五入

print(result)

输出：…

Epoch 146/150

77/77 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - accuracy: 0.8076 - loss: 0.4191

Epoch 147/150

77/77 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - accuracy: 0.7733 - loss: 0.4437

Epoch 148/150

77/77 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - accuracy: 0.7655 - loss: 0.4678

Epoch 149/150

77/77 ━━━━━━━━━━━━━━━━━━━━ 0s 2ms/step - accuracy: 0.8271 - loss: 0.4089

Epoch 150/150

77/77 ━━━━━━━━━━━━━━━━━━━━ 0s 2ms/step - accuracy: 0.7617 - loss: 0.4900

24/24 ━━━━━━━━━━━━━━━━━━━━ 0s 2ms/step - accuracy: 0.7483 - loss: 0.4850

指标名列表： ['loss', 'compile_metrics']

loss值： 0.43940469622612

accuracy值： 0.7825520634651184

compile_metrics:78.26%

24/24 ━━━━━━━━━━━━━━━━━━━━ 0s 2ms/step

[1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1,…]