符号计算

Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端，无论事Theano还是TensorFlow，都是一个符号主义的库。
关于符号主义，可以一般概括为这种说法：符号主义的计算首先定义各种变量，然后建立一个“计算图”，计算图规定了各个变量之间的计算关系。建立好的计算图需要编译已确定其内部细节，然而，此时的计算图还是一个“空壳子”，里面没有任何实际的数据，只有当你把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。
Keras的模型搭建形式就是这种方法，在你搭建Keras模型完毕后，你的模型就是一个空壳子，只有实际生成可调用的函数后（K.function），输入数据，才会形成真正的数据流。
使用计算图的语言，如Theano，以难以调试而闻名，当Keras的Debug进入Theano这个层次时，往往也令人头痛。没有经验的开发者很难直观的感受到计算图到底在干些什么。尽管很让人头痛，但大多数的深度学习框架使用的都是符号计算这一套方法，因为符号计算能够提供关键的计算优化、自动求导等功能。

张量

前面的概念中提到并解释了这个词，该词本身还是兼具多个学科的，而这里的用到的相对来说较简单一些。
张量，或tensor，是本文档会经常出现的一个词汇，在此稍作解释。
使用这个词汇的目的是为了表述统一，张量可以看作是向量、矩阵的自然推广，我们用张量来表示广泛的数据类型。
规模最小的张量是0阶张量，即标量，也就是一个数。
当我们把一些数有序的排列起来，就形成了1阶张量，也就是一个向量
如果我们继续把一组向量有序的排列起来，就形成了2阶张量，也就是一个矩阵
把矩阵摞起来，就是3阶张量，我们可以称为一个立方体，具有3个颜色通道的彩色图片就是一个这样的立方体
把矩阵摞起来，好吧这次我们真的没有给它起别名了，就叫4阶张量了，不要去试图想像4阶张量是什么样子，它就是个数学上的概念。

‘th’与’tf’

‘th’模式，也即Theano模式会把100张RGB三通道的16×32（高为16宽为32）彩色图表示为下面这种形式（100,3,16,32），Caffe采取的也是这种方式。第0个维度是样本维，代表样本的数目，第1个维度是通道维，代表颜色通道数。后面两个就是高和宽了。
而TensorFlow，即‘tf’模式的表达形式是（100,16,32,3），即把通道维放在了最后。这两个表达方法本质上没有什么区别。

泛型模型

在原本的Keras版本中，模型其实有两种，一种叫Sequential，称为序贯模型，也就是单输入单输出，一条路通到底，层与层之间只有相邻关系，跨层连接统统没有。这种模型编译速度快，操作上也比较简单。第二种模型称为Graph，即图模型，这个模型支持多输入多输出，层与层之间想怎么连怎么连，但是编译速度慢。可以看到，Sequential其实是Graph的一个特殊情况。
在现在这版Keras中，图模型被移除，而增加了了“functional model API”，这个东西，更加强调了Sequential是特殊情况这一点。一般的模型就称为Model，然后如果你要用简单的Sequential，OK，那还有一个快捷方式Sequential。
由于functional model API表达的是“一般的模型”这个概念，我们将其译为泛型模型，即只要这个东西接收一个或一些张量作为输入，然后输出的也是一个或一些张，不管它是什么鬼。统统都称作“模型”。

Batch

其实我之前看到这个参数设置的时候，一直没搞懂，今天来整理一下吧。
这词设计到训练过程中如何优化，嘿嘿，那就提到了深度学习的优化算法，说白了就是梯度下降。每次的参数更新有两种方式。
第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。这种方法每更新一次参数都要把数据集里的所有样本都看一遍，计算量开销大，计算速度慢，不支持在线学习，这称为Batch gradient descent，批梯度下降。
另一种，每看一个数据就算一下损失函数，然后求梯度更新参数，这个称为随机梯度下降，stochastic gradient descent。这个方法速度比较快，但是收敛性能不太好，可能在最优点附近晃来晃去，hit不到最优点。两次参数的更新也有可能互相抵消掉，造成目标函数震荡的比较剧烈。
为了克服两种方法的缺点，现在一般采用的是一种折中手段，mini-batch gradient decent，小批的梯度下降，这种方法把数据分为若干个批，按批来更新参数，这样，一个批中的一组数据共同决定了本次梯度的方向，下降起来就不容易跑偏，减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，计算量也不是很大。
基本上现在的梯度下降都是基于mini-batch的，所以Keras的模块中经常会出现batch_size，就是指这个。
顺便说一句，Keras中用的优化器SGD是stochastic gradient descent的缩写，但不代表是一个样本就更新一回，还是基于mini-batch的。

Keras一些基本概念相关推荐

学习笔记 Keras:一些基本概念
目录: 目录: 一些基本概念符号计算张量 data_format 函数式模型 batch epochs 对新手友好的小说明关于Python 关于深度学习其他本系列参考官方文档官方文档这就是 ...
Keras学习笔记：函数式模型
目录: 目录: 函数式(Functional)模型第一个模型:全连接网络多输入和多输出模型让我们用函数式模型来实现这个框图共享层更多的例子 inception模型卷积层的残差连接共享视觉 ...
Keras学习笔记：序列式模型
目录: 目录: 快速开始序列(Sequential)模型指定输入数据的shape 编译训练例子用于序列分类的栈式LSTM 采用stateful LSTM的相同模型本系列参考官方文档官方文档 ...
学习笔记:Keras 错误提示
目录: 目录: Keras使用陷阱 TF卷积核与TH卷积核向BN层中载入权重 Keras的可训练参数在前,不可训练参数在后 Merge层的层对象与函数方法本系列参考官方文档官方文档这就是kera ...
学习笔记:Windows 下Keras安装和配置指南
目录: 目录: Windows下Keras安装和配置指南 Keras 框架搭建安装本系列参考官方文档官方文档这就是keras可以参考前篇:这就是keras 学习笔记 Keras:一些基本概念一 ...
学习笔记 Keras:常见问题
目录: 目录: 常见问题如何引用Keras? 如何使Keras调用GPU? 如何在多张GPU卡上使用Keras? 数据并行设备并行 "batch", "epoch&q ...
10年+工作经验总结：测试工程师职业成长路线图
一.功能测试工程师必备技能 1. 功能测试理论主要包括: 软件测试流程需求理解测试用例设计(编写测试用例的策略) 执行测试用例提交bug(bug是由什么组成,bug处理流程,bug优先级,bu ...
深度学习三大框架（对比）
人工智能的浪潮正席卷全球,诸多词汇时刻萦绕在我们的耳边,如人工智能,机器学习,深度学习等."人工智能"的概念早在1956年就被提出,顾名思义用计算机来构造复杂的,拥有与人类智慧同样 ...
机器学习三大框架对比
导语: Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is a ...

Keras一些基本概念

符号计算

张量

‘th’与’tf’

泛型模型

Batch

Keras一些基本概念相关推荐

最新文章

热门文章