python神经网络模型实例

下面是一个使用Python编写的神经网络模型的示例。该模型是一个基本的全连接神经网络，用于分类MNIST数据集中的手写数字。

首先，我们需要导入必要的库：

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD

然后，我们需要加载MNIST数据集，并对其进行预处理：

(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 将图像数据转换为一维向量
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1] * X_train.shape[2])
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1] * X_test.shape[2])

# 将图像数据缩放到[0,1]范围内
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 将标签数据进行one-hot编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

接下来，我们定义一个包含两个隐藏层的全连接神经网络：

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

我们使用的是ReLU激活函数和softmax输出层。我们还添加了两个Dropout层，以减少过拟合。

最后，我们定义一个优化器和损失函数，并训练模型：

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

model.fit(X_train, y_train, batch_size=128, epochs=20, validation_data=(X_test, y_test))

在训练完成后，我们可以使用模型对新的手写数字数据进行分类：

# 随机生成一个手写数字图像
img = np.random.rand(1, 784)

# 对图像进行预测
prediction = model.predict(img)

# 输出预测结果
print(np.argmax(prediction))

这是一个非常基本的神经网络模型示例，您可以根据您的需求进行修改和优化。