深度学习--Keras总结

Keras主要包括14个模块，本文主要对Models、layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics共计8个模块分别展开介绍，并通过一个简单的Bp神经网络说明各个模块的作用。
1. Model
包：keras.models
这是Keras中最主要的一个模块，用于对各个组件进行组装
eg:

from keras.models import Sequential
model=Sequential() #初始化模型
model.add(...) #可使用add方法组装组件

2. layers
包：keras.layers
该模块主要用于生成神经网络层，包含多种类型，如Core layers、Convolutional layers等
eg:

from keras.layers import Dense #Dense表示Bp层
model.add(Dense(input_dim=3,output_dim=5)) #加入隐含层

3. Initializations
包：keras.initializations
该模块主要负责对模型参数（权重）进行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等
详细说明：http://keras.io/initializations/
eg:

model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入带初始化（uniform）的隐含层

4. Activations
包：keras.activations、keras.layers.advanced_activations（新激活函数）
该模块主要负责为神经层附加激活函数，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比较新的激活函数
详细说明：http://keras.io/activations/
eg:

model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入带激活函数（sigmoid）的隐含层

Equal to:

model.add(Dense(input_dim=3,output_dim=5))
model.add(Activation('sigmoid'))

5. Objectives
包：keras.objectives
该模块主要负责为神经网络附加损失函数，即目标函数。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss
注：目标函数的设定是在模型编译阶段
详细说明：http://keras.io/objectives/
eg:

 model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目标函数

6. Optimizers
包：keras.optimizers
该模块主要负责设定神经网络的优化方法，如sgd。
注：优化函数的设定是在模型编译阶段
详细说明：http://keras.io/optimizers/
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指优化方法

7. Preprocessing
包：keras.preprocessing.(image\sequence\text)
数据预处理模块，不过本人目前尚未用过
8. metrics
包：keras.metrics
与sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的评价方法
eg:

predict=model.predict_classes(test_x) #输出预测结果
keras.metrics.binary_accuracy(test_y,predict) #计算预测精度

9. Bp 神经网络的简单实现

from keras.models import Sequential #导入模型
from keras.layers import Dense #导入bp层
train_x,train_y #训练集
test_x,text_y #测试集
model=Sequential() #初始化模型
model.add(Dense(input_dim=3,output_dim=3,activation='sigmoid'，init='uniform'))) #添加一个隐含层，注：只是第一个隐含层需指定input_dim
model.add(Dense(1,activation='sigmoid')) #添加输出层
model.compile(loss='binary_crossentropy', optimizer='sgd') # 编译，指定目标函数与优化方法
model.fit(train_x,train_y ) # 模型训练
model.evaluate(test_x,text_y ) #模型测试

深度学习--Keras总结相关推荐

利用深度学习(Keras)进行癫痫分类-Python案例
目录癫痫介绍数据集 Keras深度学习案例本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 QQ交流群:903290195 癫痫介绍癫痫,即俗称"羊癫风",是由多种 ...
[深度学习] Keras 如何使用fit和fit_generator
介绍在本教程中,您将了解Keras .fit和.fit_generator函数的工作原理,包括它们之间的差异.为了帮助您获得实践经验,我已经提供了一个完整的示例,向您展示如何从头开始实现Keras数 ...
深度学习——keras教程系列基础知识
大家好,本期我们将开始一个新的专题的写作,因为有一些小伙伴想了解一下深度学习框架Keras的知识,恰好本人也会一点这个知识,因此就开始尝试着写一写吧.本着和大家一起学习的态度,有什么写的不是很好的地方 ...
python深度学习--Keras函数式API（多输入，多输出，类图模型）
import numpy as np import pandas as pd import matplotlib.pyplot as plt import pylab from pandas impo ...
深度学习 Keras入门一之基础篇
1.关于Keras 1)简介 Keras是由纯python编写的基于theano/tensorflow的深度学习框架. Keras是一个高层神经网络API,支持快速实验,能够把你的idea迅速转换为结 ...
私人定制——使用深度学习Keras和TensorFlow打造一款音乐推荐系统
随着生活水平的极大提高,人们在很多情况下都会边听音乐边做一些事情,比如在健身房.出行路上等,越来越多的人也开始慢慢走在Hifi发烧友的这一条不归路上,频繁地换耳机.换功放等,小编在这里劝一下大家不要向 ...
用深度学习keras的cnn做图像识别分类，准确率达97%
Keras是一个简约,高度模块化的神经网络库. 可以很容易和快速实现原型(通过总模块化,极简主义,和可扩展性) 同时支持卷积网络(vision)和复发性的网络(序列数据).以及两者的组合. 无缝地运行 ...
个人深度学习keras环境配置介绍
因为我主要使用的是keras,所以我所要介绍的也是keras的环境,如果以后我转pytorch后再补充我的pytorch环境配置情况我的keras环境配置如下: cudatoolkit 10.0.1 ...
深度学习Keras框架实践笔记
在其他机器保存keras模型(.h5),load_model(~.h5)后报错[in from_config if 'class_name' not in config[0] or config[0] ...

深度学习--Keras总结

深度学习--Keras总结相关推荐

最新文章

热门文章