### 使用 Keras 的 Reuters 数据集训练自定义神经网络 要使用 Keras 中的 `reuters` 数据集训练一个自定义神经网络，可以按照以下方法实现。以下是完整的解决方案： #### 加载数据集 Keras 提供了一个内置的方法用于加载 `reuters` 数据集。通过调用 `keras.datasets.reuters.load_data()` 可以轻松获取训练和测试数据[^3]。 ```python from keras.datasets import reuters (X_train, y_train), (X_test, y_test) = reuters.load_data(num_words=10000) ``` 这里设置参数 `num_words=10000` 表示仅保留数据集中频率最高的前 10,000 个单词。 --- #### 数据预处理 由于原始数据是以整数序列的形式存储的，因此需要将其转换为适合神经网络输入的向量化形式。通常有两种方式：一种是独热编码（one-hot encoding），另一种是词嵌入（word embedding）。此处采用独热编码的方式进行演示[^4]。 ```python import numpy as np def vectorize_sequences(sequences, dimension=10000): results = np.zeros((len(sequences), dimension)) for i, sequence in enumerate(sequences): results[i, sequence] = 1. return results # 向量化训练数据和测试数据 X_train_vec = vectorize_sequences(X_train) X_test_vec = vectorize_sequences(X_test) # 将标签转换为 one-hot 编码 from tensorflow.keras.utils import to_categorical y_train_one_hot = to_categorical(y_train) y_test_one_hot = to_categorical(y_test) ``` --- #### 构建模型 构建一个多层感知机（MLP）作为基础模型。该模型由几个全连接层组成，并使用 ReLU 激活函数以及最终的 softmax 输出层来完成多分类任务[^5]。 ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense model = Sequential() model.add(Dense(64, activation='relu', input_shape=(10000,))) model.add(Dense(64, activation='relu')) model.add(Dense(46, activation='softmax')) # 46 是类别数量 ``` --- #### 配置学习过程 为了使模型能够正常工作，还需要指定损失函数、优化器以及其他评估指标。对于多类别的分类问题，推荐使用交叉熵损失函数 `categorical_crossentropy`[^6]。 ```python model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) ``` --- #### 训练模型 利用之前准备好的数据对模型进行训练。可以通过调整批量大小（batch size）、轮次（epochs）等超参数来改善性能[^7]。 ```python history = model.fit(X_train_vec, y_train_one_hot, epochs=9, batch_size=512, validation_split=0.2) ``` --- #### 查看训练结果 训练完成后，可以从历史记录对象中提取出每次 epoch 的损失值与准确率变化情况，并绘制图表以便更直观地观察效果[^8]。 ```python import matplotlib.pyplot as plt loss_values = history.history['loss'] val_loss_values = history.history['val_loss'] plt.plot(range(1, len(loss_values)+1), loss_values, 'bo', label='Training Loss') plt.plot(range(1, len(val_loss_values)+1), val_loss_values, 'b', label='Validation Loss') plt.title('Training and Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() ``` 同样也可以展示精度的变化趋势： ```python acc_values = history.history['accuracy'] val_acc_values = history.history['val_accuracy'] plt.clf() plt.plot(range(1, len(acc_values)+1), acc_values, 'bo', label='Training Accuracy') plt.plot(range(1, len(val_acc_values)+1), val_acc_values, 'b', label='Validation Accuracy') plt.title('Training and Validation Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() plt.show() ``` 最后还可以计算测试集上的表现分数： ```python test_loss, test_acc = model.evaluate(X_test_vec, y_test_one_hot) print(f'Test accuracy: {test_acc}') ``` ---