Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 8-03-RNN行為識別任務(wù)實施

RNN行為識別任務(wù)實施人體行為識別-任務(wù)（2）主講人：陳清華會使用Keras設(shè)計并實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)；會對構(gòu)建的循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和調(diào)優(yōu)；會熟練使用不同的指標(biāo)對訓(xùn)練得到的模型進(jìn)行評估。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標(biāo)準(zhǔn)任務(wù)解決方案代碼解析使用循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)人體行為識別教學(xué)難點任務(wù)概述010010011001101010100100110110100101110101000100001011011101001010101101010011010010任務(wù)工單設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)人體行為識別。使用Keras中的序貫?zāi)Ｐ蜆?gòu)建、訓(xùn)練、評估模型。與前續(xù)任務(wù)的識別結(jié)果進(jìn)行比較，說明兩種算法的不同與優(yōu)劣。

任務(wù)描述：

基于給定的公開數(shù)據(jù)集，設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）并使用Keras中的Sequential序貫?zāi)Ｐ蜆?gòu)建

循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)人體行為識別應(yīng)用。原始數(shù)據(jù)結(jié)果輸出

任務(wù)要求任務(wù)概述準(zhǔn)確率混淆矩陣預(yù)測值實際值躺坐站走下樓上樓躺510000027坐041375003站031500100走0224443810下樓00014181上樓022112454（1）卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的本質(zhì)區(qū)別是什么？應(yīng)用上有何異同？（2）Keras中如何實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)的？試依據(jù)本項目應(yīng)用，設(shè)計并構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)。（3）循環(huán)神經(jīng)網(wǎng)絡(luò)有哪些關(guān)鍵參數(shù)？如何調(diào)優(yōu)？（4）LSTM是什么？主要用來解決什么問題？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分?jǐn)?shù)評定自我評價1.任務(wù)實施模型構(gòu)建4分導(dǎo)包正確得1分，能正確設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)得1分，能正確使用Keras構(gòu)建循環(huán)神經(jīng)網(wǎng)得2分

模型訓(xùn)練1分代碼正確且順利執(zhí)行得1分，

模型評估1分能正確輸出模型評估報告得1分

2.效果分析分析模型的準(zhǔn)確性2分準(zhǔn)確率有提升得1分，準(zhǔn)確率達(dá)到92%以上，得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論2分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分，正確區(qū)分兩種模型優(yōu)劣得1分合計10分

任務(wù)解決方案

（1）定義模型相關(guān)參數(shù)

epochs=30#訓(xùn)練次數(shù)

batch_size=16#每個批次大小

n_hidden=16#隱層單元個數(shù)

n_classes=6#類別個數(shù)

timesteps=len(X_train[0])

input_dim=len(X_train[0][0])任務(wù)解決方案

（2）模型建立：依據(jù)應(yīng)用場景，設(shè)計神經(jīng)網(wǎng)絡(luò)模型并構(gòu)建。fromkeras.modelsimportSequential

fromkeras.layersimportLSTM

fromkeras.layers.coreimportDensemodel=Sequential()

model.add(LSTM(n_hidden,input_shape=(timesteps,input_dim)))

model.add(Dense(n_classes,activation='softmax'))

model.compile(loss='categorical_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])任務(wù)解決方案model.fit(X_train,

Y_train,

batch_size=batch_size,

validation_data=(X_val,Y_val),#或指定驗證集的比例

epochs=epochs)

（3）模型訓(xùn)練：傳入訓(xùn)練集，訓(xùn)練模型。Trainon7352samples,validateon2947samplesEpoch1/307352/7352[==============================]-15s2ms/step-loss:1.1432-accuracy:0.5248-val_loss:0.8790-val_accuracy:0.6132…Epoch29/307352/7352[==============================]-16s2ms/step-loss:0.1173-accuracy:0.9543-val_loss:0.3716-val_accuracy:0.8992Epoch30/307352/7352[==============================]-16s2ms/step-loss:0.1236-accuracy:0.9543-val_loss:0.3852-val_accuracy:0.8989任務(wù)解決方案scores=model.evaluate(X_test,Y_test)

print(scores[1])

（4）模型評估2947/2947[==============================]-1s335us/step0.8988802433013916#準(zhǔn)確率任務(wù)解決方案print(confusion_matrix