一、主页

上手Keras

◆ Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

◆ Sequential 模型如下所示：

from keras.medels import Sequential
model = Sequential()

◆ 可以使用.add()来堆叠模型：

from keras.layers import Dense
model.add(Dense(units=64,activation='relu',input_dim=100))
model.add(Dense(units=10,activation='softmax'))

◆ 完成模型构建后，使用.compile()来配置学习过程：

# 选择交叉熵损失函数作为损失函数，随机梯度下降作为优化方法，准确率作为评价指标
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics='accuracy')

◆ 现在可以批量地在训练数据上进行迭代了：

# X_train和Y_train是Numpy数组
model.fit(X_train,Y_train,epochs=5,batch_size=32)

◆ 或者可以手动将批次数据提供给模型：

model.train_on_batch(X_batch,Y_batch)

◆ 然后可以对模型性能进行评估：

loss_and_metrics = model.evaluate(X_test,Y_test,batch_size=128)

◆ 或者对新的数据进行预测：

classes = model.predict(X_test,batch_size=128)

二、快速开始

1、Sequential顺序模型

from keras.models import Sequential
from keras.layers import Dense,Activationmodel = Sequential()
model.add(Dense(32,input_dim=784))
model.add(Activation('relu'))

（1）指定输入数据的尺寸

模型第一层（只有第一层需要）需要接收关于其输入尺寸的信息：

◆ 传递 input_shape 参数给第一层，它表示张量的形状，例如一个一阶张量[1,2,3]的shape为(3,)，二阶张量[[1,2,3],[4,5,6]]的shape为(2,3)。

◆ 例如 Dense 的2D层，可以通过参数 input_dim 指定输入尺寸，而3D层使用 input_dim 和 input_length 参数。

input_length 表示输入数据的长度，input_dim 表示数据的维度

input_dim = input_shape(input_dim,)

input_dim,input_length = input_shape(input_length,input_dim)

◆ 如果需要为输入指定一个固定的 batch 大小，可以传递一个 batch_size 参数。例如，同时将 batch_size=32 和 input_shape=(6,8) 传递给一层，则每一批输入的尺寸为(32,6,8)。

# 由上述可得
model.add(Dense(32,input_shape(784,)))
# 等价于
model.add(Dense(32,input_dim=784))

（2）模型编译

模型训练之前，需要配置学习过程，通过 .compile() 方法完成，接收三个参数：

◆ 优化器 optimizer。可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad ，也可以是Optimizer 类的实例。

◆ 损失函数 loss。可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。

◆ 评估标准 metrics。对于分类问题，metrics = [‘accuracy’]

（3）模型训练

通常会使用 .fit() 函数

未完待续。。。

Keras中文文档总结相关推荐

keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）
版权声明:小博主水平有限,希望大家多多指导. 目录: [使用传统DNN] BG大龍:[DL项目实战02]图像分类--Keras框架+使用传统神经网络DNNzhuanlan.zhihu.com [使用 ...
keras中文文档学习笔记—快速上手keras
keras的核心数据结构是"model",其中最主要的是Sequential模型: Sequential模型调用 from keras.model import Sequentia ...
Keras中文文档：图像预处理ImageDataGenerator 类详细学习记录
写在前面的话受教于学长,Keras的探究还需进行要把Keras用得熟练并非那么容易 1.ImageDataGenerator 类参考文献:https://keras.io/zh/preproce ...
keras中文文档_Keras分词器Tokenizer
Tokenizer 是一个用于向量化文本,或将文本转换为序列的类.是用来文本预处理的第一步:分词. 简单来说,计算机在处理语言文字时,是无法理解文字的含义,通常会把一个词(中文单个字或者词组认为是一个 ...
dropout层加在哪里_常用层 - Keras中文文档
常用层常用层对应于core模块,core内部定义了一系列常用的网络层,包括全连接.激活层等 Dense层 keras.layers.core.Dense(units, activation=None ...
Keras 深度学习框架中文文档
2019独角兽企业重金招聘Python工程师标准>>> Keras深度学习框架中文文档 Keras官网:http://keras.io/ Github项目:https://githu ...
Keras官方中文文档：Keras安装和配置指南(Windows)
这里需要说明一下,笔者不建议在Windows环境下进行深度学习的研究,一方面是因为Windows所对应的框架搭建的依赖过多,社区设定不完全:另一方面,Linux系统下对显卡支持.内存释放以及存储空间调 ...
Python 深度学习库 Keras 发布官方中文文档，这里有你需要了解的一切
今年1月,Keras作者.谷歌AI研究员François Chollet在推特上发出召唤:讲中文的Keras用户们,是否有人愿意帮忙一起搞个Keras文档的中文版? 一个多月后,官方中文文档来了. K ...
PyTorch官方中文文档：torch.optim 优化器参数
内容预览: step(closure) 进行单次优化 (参数更新). 参数: closure (callable) –...~ 参数: params (iterable) – 待优化参数的iterab ...
golang中文文档_Golang 标准库限流器 time/rate 设计与实现
限流器是后台服务中十分重要的组件,在实际的业务场景中使用居多,其设计在微服务.网关.和一些后台服务中会经常遇到.限流器的作用是用来限制其请求的速率,保护后台响应服务,以免服务过载导致服务不可用现象出现 ...

Keras中文文档总结

一、主页

上手Keras

二、快速开始

1、Sequential顺序模型

Keras中文文档总结相关推荐

最新文章

热门文章