机器学习全连接神经网络实现水果分类代码

好的，以下是一个简单的全连接神经网络实现水果分类的代码，使用Python语言和Keras库：

# 导入所需库
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop

# 加载数据集
train_images = np.load('train_images.npy')
train_labels = np.load('train_labels.npy')
test_images = np.load('test_images.npy')
test_labels = np.load('test_labels.npy')

# 数据预处理
train_images = train_images.reshape(60000, 784)
test_images = test_images.reshape(10000, 784)
train_images = train_images.astype('float32')
test_images = test_images.astype('float32')
train_images /= 255
test_images /= 255
train_labels = keras.utils.to_categorical(train_labels, 10)
test_labels = keras.utils.to_categorical(test_labels, 10)

# 构建模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

# 训练模型
history = model.fit(train_images, train_labels,
                    batch_size=128,
                    epochs=20,
                    verbose=1,
                    validation_data=(test_images, test_labels))

# 评估模型
score = model.evaluate(test_images, test_labels, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

以上代码实现了一个包含两个隐藏层的全连接神经网络，每个隐藏层有512个神经元，使用了ReLU激活函数和Dropout正则化，输出层有10个神经元，使用了Softmax激活函数。采用的优化器是RMSprop，损失函数是交叉熵，评估指标是准确率。在训练过程中，每次从训练集中随机抽取128个样本进行训练，共训练20个epoch。最后，输出测试集上的损失和准确率。

需要注意的是，本代码仅供参考，具体实现方式可能因数据集、任务等不同而有所变化。