keras模型 鸾尾花数据集

本文来自博客专栏《数据建模实战专栏》 当我们人在看一样东西的时候，我们当前时刻关注的一定是我们当前正在看的这样东西的某一地方，换句话说，当我们目光移到别处时，注意力随着目光的移动也在转移，这意味着，当人们注意到某个目标或某个场景时，该目标内部以及该场景内每一处空间位置上的注意力分布是不一样的。  Attention机制是模仿人类注意力而提出的一种解决问题的办法，简单地说就是从大量信息中快速筛选出高价值信息。主要用于解决LSTM/RNN模型输入序列较长的时候很难获得最终合理的向量表示问题，做法是保留LSTM的中间结果，用新的模型对其进行学习，并将其与输出进行关联，从而达到信息筛选的目的。  简而言之就是：Attention让模型学习到很有用的比较重要性的信息，这些信息对于模型的预测分析影响度是最大的，让模型具备这样的能力就是一件非常cool的事情了，对于模型性能的提升和收敛的加快都是很有帮助的。 Attention不能称之为一种模型，更像是一种思想、一种技术或者是一种框架，它最早提出是为了提升Encoder-Decoder类模型性能的，简化的示意图如下所示：  逐步发展到可以用于任何实际的场景之中，本文的应用实践就是一个比较简单也是比较基础的分类实践应用。将深度学习模型与Attention机制相结合，之后构建分类模型。 本文中以鸢尾花数据集为例进行实验，数据集体量比较小，感兴趣的话可以换别的数据，这里直接给出来自己的数据集，如下所示：

id,SepalLength,SepalWidth,PetalLength,PetalWidth,Species1,5.1,3.5,1.4,0.2,setosa2,4.9,3,1.4,0.2,setosa3,4.7,3.2,1.3,0.2,setosa4,4.6,3.1,1.5,0.2,setosa5,5,3.6,1.4,0.2,setosa6,5.4,3.9,1.7,0.4,setosa7,4.6,3.4,1.4,0.3,setosa8,5,3.4,1.5,0.2,setosa9,4.4,2.9,1.4,0.2,setosa10,4.9,3.1,1.5,0.1,setosa11,5.4,3.7,1.5,0.2,setosa12,4.8,3.4,1.6,0.2,setosa13,4.8,3,1.4,0.1,setosa14,4.3,3,1.1,0.1,setosa15,5.8,4,1.2,0.2,setosa16,5.7,4.4,1.5,0.4,setosa17,5.4,3.9,1.3,0.4,setosa18,5.1,3.5,1.4,0.3,setosa19,5.7,3.8,1.7,0.3,setosa20,5.1,3.8,1.5,0.3,setosa21,5.4,3.4,1.7,0.2,setosa22,5.1,3.7,1.5,0.4,setosa23,4.6,3.6,1,0.2,setosa24,5.1,3.3,1.7,0.5,setosa25,4.8,3.4,1.9,0.2,setosa26,5,3,1.6,0.2,setosa27,5,3.4,1.6,0.4,setosa28,5.2,3.5,1.5,0.2,setosa29,5.2,3.4,1.4,0.2,setosa30,4.7,3.2,1.6,0.2,setosa31,4.8,3.1,1.6,0.2,setosa32,5.4,3.4,1.5,0.4,setosa33,5.2,4.1,1.5,0.1,setosa34,5.5,4.2,1.4,0.2,setosa35,4.9,3.1,1.5,0.2,setosa36,5,3.2,1.2,0.2,setosa37,5.5,3.5,1.3,0.2,setosa38,4.9,3.6,1.4,0.1,setosa39,4.4,3,1.3,0.2,setosa40,5.1,3.4,1.5,0.2,setosa41,5,3.5,1.3,0.3,setosa42,4.5,2.3,1.3,0.3,setosa43,4.4,3.2,1.3,0.2,setosa44,5,3.5,1.6,0.6,setosa45,5.1,3.8,1.9,0.4,setosa46,4.8,3,1.4,0.3,setosa47,5.1,3.8,1.6,0.2,setosa48,4.6,3.2,1.4,0.2,setosa49,5.3,3.7,1.5,0.2,setosa50,5,3.3,1.4,0.2,setosa51,7,3.2,4.7,1.4,versicolor52,6.4,3.2,4.5,1.5,versicolor53,6.9,3.1,4.9,1.5,versicolor54,5.5,2.3,4,1.3,versicolor55,6.5,2.8,4.6,1.5,versicolor56,5.7,2.8,4.5,1.3,versicolor57,6.3,3.3,4.7,1.6,versicolor58,4.9,2.4,3.3,1,versicolor59,6.6,2.9

相关知识

使用鸢尾花数据集构建神经网络模型
Keras学习笔记（二）Keras模型的创建
玫瑰花图片数据集助力深度学习模型训练
鸾尾花和鸢尾花的区别
TensorFlow 2建立神经网络分类模型——以iris数据为例
Keras花卉分类全流程（预处理+训练+预测）
用于深度学习的花卉数据集
利用VGG16做花数据集的识别
10种农作物叶子病害图像的数据集，注意是分类数据集，标注图片5万张，包含10种植物(苹果、樱桃、葡萄、柑桔、桃、草莓、番茄、辣椒、玉米、马铃薯)的27种病害，合计61个分类(按“物种
高效农作物病虫害识别：Python项目源码及数据集教程

网址: keras模型 鸾尾花数据集 https://www.huajiangbk.com/newsview1354160.html