【Keras】学习笔记(二)
文章目录
- 一、Keras 模型
- 1、共同的方法和属性
- 2、Model 类继承
- 二、Sequential 模型 API
- 1、compile():配置训练模型
- 2、fit():训练模型
- 3、evaluate():模型评估
- 4、predict():预测
- 5、train_on_batch()
- 6、test_on_batch()
- 7、predict_on_batch()
- 8、fit_generator()
- 9、evaluate_generator
- 10、predict_generator
- 11、get_layer()
- 三、Model 类(函数式 API)
- 1、概述
- 2、Model 类模型方法
- (1)配置训练模型
- (2)模型训练、评估、预测
- (3)batch上的模型训练、评估、预测
- (4)生成器上的训练、评估、预测
- (5)获取某网络层
一、Keras 模型
两类主要的模型:Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。
1、共同的方法和属性
model.layers
:包含模型网络层的展平列表。model.inputs
:模型输入张量的列表。model.outputs
:模型输出张量的列表。model.summary()
:打印出模型概述信息。 它是utils.print_summary
的简捷调用。model.get_config()
:返回包含模型配置信息的字典。通过以下代码,就可以根据这些配置信息重新实例化模型:config = model.get_config() model = Model.from_config(config) # 或者,对于 Sequential: model = Sequential.from_config(config)
model.get_weights()
:返回模型中所有权重张量的列表,类型为 Numpy 数组。model.set_weights(weights)
:从 Numpy 数组中为模型设置权重。列表中的数组必须与get_weights()
返回的权重具有相同的尺寸。model.to_json()
:以 JSON 字符串的形式返回模型的表示(不包括权重,仅包含结构)。可通过以下方式从 JSON 字符串重新实例化同一模型(使用重新初始化的权重):from keras.models import model_from_jsonjson_string = model.to_json() model = model_from_json(json_string)
model.to_yaml()
:以 YAML 字符串的形式返回模型的表示(不包括权重,仅包含结构)**。可通过以下代码,从 YAML 字符串中重新实例化相同的模型(使用重新初始化的权重):from keras.models import model_from_yamlyaml_string = model.to_yaml() model = model_from_yaml(yaml_string)
model.save_weights(filepath)
:将模型权重存储为 HDF5 文件。model.load_weights(filepath, by_name=False)
:从 HDF5 文件(由save_weights
创建)中加载权重。默认情况下,模型的结构应该是不变的。 如果想将权重载入不同的模型(部分层相同), 设置by_name=True
来载入那些名字相同的层的权重。
2、Model 类继承
自定义模型:继承 Model 类并在 call
方法中实现你自己的前向传播,以创建自定义的模型。
示例:用 Model
类继承写的简单的多层感知器的例子。
- 网络层定义在
__init__(self, ...)
中指定; - 前向传播在
call(self, inputs)
中指定:可以指定自定义的损失函数,通过调用self.add_loss(loss_tensor)
实现。
import keras
from keras.layers import Dense, Dropout, BatchNormalizationclass SimpleMLP(keras.Model):def __init__(self, use_bn=False, use_dp=False, num_classes=10):super(SimpleMLP, self).__init__(name='mlp')self.use_bn = use_bnself.use_dp = use_dpself.num_classes = num_classesself.dense1 = Dense(32, activation='relu')self.dense2 = Dense(num_classes, activation='softmax')if self.use_dp:self.dp = Dropout(0.5)if self.use_bn:self.bn = BatchNormalization(axis=-1)def call(self, inputs):x = self.dense1(inputs)if self.use_dp:x = self.dp(x)if self.use_bn:x = self.bn(x)return self.dense2(x)model = SimpleMLP()
model.compile(...)
model.fit(...)
在类继承模型中,模型的拓扑结构是由 Python 代码定义的(而不是网络层的静态图)。这意味着该模型的拓扑结构不能被检查或序列化。因此,以下方法和属性不适用于类继承模型:
model.inputs
和model.outputs
。model.to_yaml()
和model.to_json()
。model.get_config()
和model.save()
。
关键点:为每个任务使用正确的 API。Model 类继承 API 可以为实现复杂模型提供更大的灵活性,但它需要付出代价(比如缺失的特性):它更冗长,更复杂,并且有更多的用户错误机会。如果可能的话,尽可能使用函数式 API,这对用户更友好。
二、Sequential 模型 API
1、compile():配置训练模型
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
参数:
optimizer
: 字符串 (优化器名)或者优化器对象。详见 optimizers。loss
: 字符串 (目标函数名)或目标函数。详见 losses。- 多输出模型:通过传递损失函数的字典或列表,在每个输出上使用不同的损失。模型将最小化的损失值将是所有单个损失的总和。
metrics
: 在训练和测试期间的模型评估标准。通常你会使用metrics = ['accuracy']
。- 对于多输出模型的不同输出指定不同的评估标准:传递一个字典,eg:
metrics = {'output_a':'accuracy'}
。
- 对于多输出模型的不同输出指定不同的评估标准:传递一个字典,eg:
loss_weights
: 指定标量系数(Python浮点数)的可选列表或字典,用于加权不同模型输出的损失贡献。- 模型将要最小化的损失值将是所有单个损失的加权和,由
loss_weights
系数加权。 - 如果是列表,则期望与模型的输出具有 1:1 映射。 如果是张量,则期望将输出名称(字符串)映射到标量系数。
- 模型将要最小化的损失值将是所有单个损失的加权和,由
sample_weight_mode
:- 若执行按时间步采样权重(2D 权重),则设置为
temporal
。 - 默认为
None
,为采样权重(1D)。 - 如果模型有多个输出,则可以通过传递
mode
的字典或列表,以在每个输出上使用不同的sample_weight_mode
。
- 若执行按时间步采样权重(2D 权重),则设置为
weighted_metrics
:在训练和测试期间,由sample_weight
或class_weight
评估和加权的度量标准列表。target_tensors
:默认情况下,Keras 将为模型的目标创建一个占位符,在训练过程中将使用目标数据。相反,如果你想使用自己的目标张量(反过来说,Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据),您可以通过 target_tensors 参数指定它们。它应该是单个张量(对于单输出 Sequential 模型)。**kwargs
:- 当使用 Theano/CNTK 后端时,这些参数被传入
K.function
。 - 当使用 TensorFlow 后端时,这些参数被传递到
tf.Session.run
。
- 当使用 Theano/CNTK 后端时,这些参数被传入
异常
ValueError
:如果optimizer
,loss
,metrics
或sample_weight_mode
这些参数不合法。
2、fit():训练模型
以固定数量的轮次(数据集上的迭代)训练模型:
fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)
参数
x
: 训练数据的 Numpy 数组。- 如果模型中的输入层被命名,则可传递一个字典,将输入层名称映射到 Numpy 数组。
- 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,x 可以是 None(默认)。
y
: 标签数据的 Numpy 数组。- 如果模型中的输出层被命名,你也可以传递一个字典,将输出层名称映射到 Numpy 数组。
- 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,y 可以是 None(默认)。
batch_size
: 整数或 None。每次提度更新的样本数。如果未指定,默认为 32.epochs
: 整数。训练模型迭代轮次。一个轮次是在整个x
或y
上的一轮迭代。请注意,与initial_epoch
一起,epochs 被理解为 「最终轮次」。模型并不是训练了 epochs 轮,而是到第 epochs 轮停止训练。verbose
: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。callbacks
: 一系列的keras.callbacks.Callback
实例。一系列可以在训练时使用的回调函数。详见 callbacks。validation_split
: 用作验证集的训练数据的比例,范围:[0,1]
。validation_data
: 元组(x_val, y_val)
或元组(x_val, y_val, val_sample_weights)
,用来评估损失,以及在每轮结束时的任何模型度量指标。模型将不会在这个数据上进行训练。这个参数会覆盖validation_split
。shuffle
: 布尔值(是否在每轮迭代之前混洗数据)或者 字符串 (batch)。batch
是处理 HDF5 数据限制的特殊选项,它对一个 batch 内部的数据进行混洗。- 当
steps_per_epoch
非 None 时,这个参数无效。
class_weight
: 可选的字典,用来映射类索引(整数)到权重(浮点)值,用于加权损失函数(仅在训练期间)。这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本。sample_weight
: 训练样本的可选 Numpy 权重数组,用于对损失函数进行加权(仅在训练期间)。您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射),或者在时序数据的情况下,可以传递尺寸为 (samples, sequence_length) 的 2D 数组,以对每个样本的每个时间步施加不同的权重。在这种情况下,你应该确保在 compile() 中指定 sample_weight_mode=“temporal”。initial_epoch
: 开始训练的轮次(有助于恢复之前的训练)。steps_per_epoch
: 在声明一个轮次完成并开始下一个轮次之前的总步数(样品批次)。- 使用 TensorFlow 数据张量等输入张量进行训练时,默认值 None 等于数据集中样本的数量除以 batch 的大小,如果无法确定,则为 1。
validation_steps
: 只有在指定了steps_per_epoch
时才有用。停止前要验证的总步数(批次样本)。
返回:一个 History 对象。
- 其
History.history
属性是连续 epoch 训练损失和评估值,以及验证集损失和评估值的记录(如果适用)。
异常
RuntimeError
: 如果模型从未编译。ValueError
: 在提供的输入数据与模型期望的不匹配的情况下。
3、evaluate():模型评估
在测试模式,返回误差值和评估标准值。 计算逐批次进行。
evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
参数:
x
: 训练数据的 Numpy 数组。 如果模型中的输入层被命名,你也可以传递一个字典,将输入层名称映射到 Numpy 数组。 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,x 可以是 None(默认)。y
: 目标(标签)数据的 Numpy 数组。 如果模型中的输出层被命名,你也可以传递一个字典,将输出层名称映射到 Numpy 数组。 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,y 可以是 None(默认)。batch_size
: 整数或 None。每次提度更新的样本数。如果未指定,默认为 32.verbose
: 0, 1。日志显示模式。0 = 安静模式, 1 = 进度条。sample_weight
: 训练样本的可选 Numpy 权重数组,用于对损失函数进行加权(仅在训练期间)。 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射),或者在时序数据的情况下,可以传递尺寸为 (samples, sequence_length) 的 2D 数组,以对每个样本的每个时间步施加不同的权重。在这种情况下,你应该确保在 compile() 中指定sample_weight_mode="temporal"
。steps
: 整数或 None。 声明评估结束之前的总步数(批次样本)。默认值 None。
返回
- 标量测试误差(如果模型只有单个输出且没有评估指标)或标量列表(如果模型具有多个输出和/或指标)。 属性
model.metrics_names
将提供标量输出的显示标签。
4、predict():预测
为输入样本生成输出预测。
predict(x, batch_size=None, verbose=0, steps=None)
参数
x
: 输入数据,Numpy 数组(或者如果模型有多个输入,则为 Numpy 数组列表)。batch_size
: 整数。如未指定,默认为 32。verbose
: 日志显示模式,0 或 1。steps
: 声明预测结束之前的总步数(批次样本)。默认值 None。
返回:预测的 Numpy 数组。
异常
ValueError
: 如果提供的输入数据与模型的期望数据不匹配,或者有状态模型收到的数量不是批量大小的倍数。
5、train_on_batch()
batch 的单次梯度更新。
train_on_batch(x, y, sample_weight=None, class_weight=None)
参数:
x
: 训练数据的 Numpy 数组,如果模型具有多个输入,则为 Numpy 数组列表。如果模型中的所有输入都已命名,你还可以传入输入名称到 Numpy 数组的映射字典。y
: 目标数据的 Numpy 数组,如果模型具有多个输入,则为 Numpy 数组列表。如果模型中的所有输出都已命名,你还可以传入输出名称到 Numpy 数组的映射字典。sample_weight
: 训练样本的可选 Numpy 权重数组,用于对损失函数进行加权(仅在训练期间)。 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射),或者在时序数据的情况下,可以传递尺寸为 (samples, sequence_length) 的 2D 数组,以对每个样本的每个时间步施加不同的权重。在这种情况下,你应该确保在 compile() 中指定 sample_weight_mode=“temporal”。class_weight
: 可选的字典,用来映射类索引(整数)到权重(浮点)值,用于加权损失函数(仅在训练期间)。这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本。
返回:
- 标量训练误差(如果模型只有单个输出且没有评估指标)或标量列表(如果模型具有多个输出和/或指标)。 属性
model.metrics_names
将提供标量输出的显示标签。
6、test_on_batch()
在batch上评估模型。
test_on_batch(x, y, sample_weight=None)
参数:
x
: 训练数据的 Numpy 数组,如果模型具有多个输入,则为 Numpy 数组列表。如果模型中的所有输入都已命名,你还可以传入输入名称到 Numpy 数组的映射字典。y
: 目标数据的 Numpy 数组,如果模型具有多个输入,则为 Numpy 数组列表。如果模型中的所有输出都已命名,你还可以传入输出名称到 Numpy 数组的映射字典。sample_weight
: 训练样本的可选 Numpy 权重数组,用于对损失函数进行加权(仅在训练期间)。 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射),或者在时序数据的情况下,可以传递尺寸为 (samples, sequence_length) 的 2D 数组,以对每个样本的每个时间步施加不同的权重。在这种情况下,你应该确保在 compile() 中指定 sample_weight_mode=“temporal”。
返回:
- 标量测试误差(如果模型只有单个输出且没有评估指标)或标量列表(如果模型具有多个输出和/或指标)。 属性 model.metrics_names 将提供标量输出的显示标签。
7、predict_on_batch()
返回batch上的模型预测值。
predict_on_batch(x)
参数:
x
: 输入数据,Numpy 数组或列表(如果模型有多输入)。
8、fit_generator()
使用 Python 生成器或 Sequence 实例逐批生成的数据,按批次训练模型。 生成器与模型并行运行,以提高效率。
keras.utils.Sequence
的使用可以保证数据的顺序, 以及当use_multiprocessing=True
时 ,保证每个输入在每个 epoch 只使用一次。- 例如,这可以让你在 CPU 上对图像进行实时数据增强,以在 GPU 上训练模型。
fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
参数:
generator
: 一个生成器或 Sequence (keras.utils.Sequence) 对象的实例,以避免在使用多进程时出现重复数据。 生成器的输出应该为以下之一:- 一个
(inputs, targets)
元组; - 一个
(inputs, targets, sample_weights)
元组。 这个元组(生成器的单个输出)表示一个独立批次。因此,此元组中的所有数组必须具有相同的长度(等于此批次的大小)。不同的批次可能具有不同的大小。例如,如果数据集的大小不能被批量大小整除,则最后一批时期通常小于其他批次。生成器将无限地在数据集上循环。当运行到第steps_per_epoch
时,记一个 epoch 结束。
- 一个
steps_per_epoch
: 整数。在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数(批次样本)。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence:如果未指定,将使用 len(generator) 作为步数。epochs
: 整数,数据的迭代总轮数。一个 epoch 是对所提供的整个数据的一轮迭代,由 steps_per_epoch 所定义。请注意,与 initial_epoch 一起,参数 epochs 应被理解为 「最终轮数」。模型并不是训练了 epochs 轮,而是到第 epochs 轮停止训练。verbose
: 日志显示模式。0,1 或 2。0 = 安静模式,1 = 进度条,2 = 每轮一行。callbacks
: keras.callbacks.Callback 实例列表。在训练时调用的一系列回调。详见 callbacks。
validation_data: 它可以是以下之一:
验证数据的生成器或 Sequence 实例
一个 (inputs, targets) 元组
一个 (inputs, targets, sample_weights) 元组。validation_steps
: 仅当 validation_data 是一个生成器时才可用。 每个 epoch 结束时验证集生成器产生的步数。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence:如果未指定,将使用 len(generator) 作为步数。class_weight
: 可选的字典,用来映射类索引(整数)到权重(浮点)值,用于加权损失函数(仅在训练期间)。这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本。
max_queue_size: 整数。生成器队列的最大尺寸。如果未指定,max_queue_size 将默认为 10。workers
: 整数。使用基于进程的多线程时启动的最大进程数。如果未指定,worker 将默认为 1。如果为 0,将在主线程上执行生成器。use_multiprocessing
: 如果 True,则使用基于进程的多线程。如果未指定,use_multiprocessing 将默认为 False。请注意,因为此实现依赖于多进程,所以不应将不可传递的参数传递给生成器,因为它们不能被轻易地传递给子进程。shuffle
: 布尔值。是否在每轮迭代之前打乱 batch 的顺序。只能与 Sequence (keras.utils.Sequence) 实例同用。在 steps_per_epoch 不为 None 是无效果。initial_epoch
: 整数。开始训练的轮次(有助于恢复之前的训练)。
示例:
def generate_arrays_from_file(path):while True:with open(path) as f:for line in f:# 从文件中的每一行生成输入数据和标签的 numpy 数组x1, x2, y = process_line(line)yield ({'input1':x1, 'input2':x2}, {'output':y})model.fit_generator(generate_arrays_from_file('/my_file.txt'),steps_per_epoch=10000, epochs=10)
9、evaluate_generator
在数据生成器上评估模型。这个生成器应该返回与 test_on_batch
所接收的同样的数据。
evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
参数:
generator
: 返回批量输入样本的生成器,或 Sequence (keras.utils.Sequence
) 对象的实例,以避免在使用多进程时出现重复数据。steps
: 在停止之前,来自generator
的总步数 (样本批次)。 可选参数Sequence
:如果未指定,将使用len(generator)
作为步数。max_queue_size
: 生成器队列的最大尺寸。workers
: 整数。使用基于进程的多线程时启动的最大进程数。如果未指定,worker 将默认为 1。如果为 0,将在主线程上执行生成器。use_multiprocessing
: 如果True
,则使用基于进程的多线程。 请注意,因为此实现依赖于多进程,所以不应将不可传递的参数传递给生成器,因为它们不能被轻易地传递给子进程。verbose
: 日志显示模式, 0 或 1。
返回:
- 标量测试误差(如果模型只有单个输出且没有评估指标)或标量列表(如果模型具有多个输出和/或指标)。 属性
model.metrics_names
将提供标量输出的显示标签。
10、predict_generator
为来自数据生成器的输入样本生成预测,预测值的 Numpy 数组。这个生成器应该返回与 predict_on_batch
所接收的同样的数据。
predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
参数:
generator
: 返回批量输入样本的生成器,或 Sequence (keras.utils.Sequence
) 对象的实例,以避免在使用多进程时出现重复数据。steps
: 在停止之前,来自generator
的总步数 (样本批次)。 可选参数Sequence
:如果未指定,将使用len(generator)
作为步数。max_queue_size
: 生成器队列的最大尺寸。workers
: 整数。使用基于进程的多线程时启动的最大进程数。如果未指定,worker 将默认为 1。如果为 0,将在主线程上执行生成器。use_multiprocessing
: 如果True
,则使用基于进程的多线程。 请注意,因为此实现依赖于多进程,所以不应将不可传递的参数传递给生成器,因为它们不能被轻易地传递给子进程。verbose
: 日志显示模式, 0 或 1。
11、get_layer()
根据名称(唯一)或索引值查找网络层。 索引是基于水平图遍历的顺序(自下而上)。
get_layer(name=None, index=None)
参数
name
: 字符串,层的名字。index
: 整数,层的索引。- 注意:如果同时提供了
name
和index
,则index
将优先。
返回:一个层实例。
三、Model 类(函数式 API)
1、概述
官方文档:函数式 API
在函数式 API 中,给定一些输入张量和输出张量,可以通过以下方式实例化一个 Model
:
- 示例1:这个模型将包含从
a
到b
的计算的所有网络层。
from keras.models import Model
from keras.layers import Input, Densea = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)
- 示例2:在多输入或多输出模型的情况下,可以使用列表。
model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])
2、Model 类模型方法
具体参数见上一节中的各函数的参数 或 官方文档
(1)配置训练模型
compile:配置训练模型
- 定义:
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
(2)模型训练、评估、预测
fit:以给定数量的轮次(数据集上的迭代)训练模型。
- 定义:
fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)
- 定义:
evaluate:在测试模式下返回模型的误差值和评估标准值。
- 定义:
evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
- 定义:
predict:为输入样本生成输出预测。
- 定义:
predict(x, batch_size=None, verbose=0, steps=None)
- 定义:
(3)batch上的模型训练、评估、预测
- train_on_batch:batch上的单次梯度更新。
- 定义:
train_on_batch(x, y, sample_weight=None, class_weight=None)
- 定义:
- test_on_batch:batch上测试模型。
- 定义:
test_on_batch(x, y, sample_weight=None)
- 定义:
- predict_on_batch:返回batch上的模型预测值
- 定义:
predict_on_batch(x)
- 定义:
(4)生成器上的训练、评估、预测
- fit_generator
- 目的:使用 Python 生成器(或 Sequence 实例)逐批生成的数据,按批次训练模型。
- 定义:
fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
- evaluate_generator:在数据生成器上评估模型。
- 定义:
evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
- 定义:
- predict_generator:为来自数据生成器的输入样本生成预测。
- 定义:
predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
- 定义:
(5)获取某网络层
get_layer:根据名称(唯一)或索引值查找网络层,返回一个层实例。
- 定义:
get_layer(self, name=None, index=None)
- 参数:
name
: 字符串,层的名字。index
: 整数,层的索引。索引值来自于水平图遍历的顺序(自下而上)。
- 注意:如果同时提供了 name 和 index,则 index 将优先。
【Keras】学习笔记(二)相关推荐
- 深度学习(十)keras学习笔记
keras学习笔记 原文地址:http://blog.csdn.net/hjimce/article/details/49095199 作者:hjimce keras与torch7的使用非常相似,是最 ...
- 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 ...
- qml学习笔记(二):可视化元素基类Item详解(上半场anchors等等)
原博主博客地址:http://blog.csdn.net/qq21497936 本文章博客地址:http://blog.csdn.net/qq21497936/article/details/7851 ...
- [转载]dorado学习笔记(二)
原文地址:dorado学习笔记(二)作者:傻掛 ·isFirst, isLast在什么情况下使用?在遍历dataset的时候会用到 ·dorado执行的顺序,首先由jsp发送请求,调用相关的ViewM ...
- PyTorch学习笔记(二)——回归
PyTorch学习笔记(二)--回归 本文主要是用PyTorch来实现一个简单的回归任务. 编辑器:spyder 1.引入相应的包及生成伪数据 import torch import torch.nn ...
- Keras学习笔记---保存model文件和载入model文件
Keras学习笔记---保存model文件和载入model文件 保存keras的model文件和载入keras文件的方法有很多.现在分别列出,以便后面查询. keras中的模型主要包括model和we ...
- tensorflow学习笔记二——建立一个简单的神经网络拟合二次函数
tensorflow学习笔记二--建立一个简单的神经网络 2016-09-23 16:04 2973人阅读 评论(2) 收藏 举报 分类: tensorflow(4) 目录(?)[+] 本笔记目的 ...
- Scapy学习笔记二
Scapy学习笔记二 Scapy Sniffer的用法: http://blog.csdn.net/qwertyupoiuytr/article/details/54670489 Scapy Snif ...
- Ethernet/IP 学习笔记二
Ethernet/IP 学习笔记二 原文链接:http://wiki.mbalib.com/wiki/Ethernet/IP 1.通信模式 不同于源/目的通信模式,EtherNet/IP 采用生产/消 ...
- 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 ...
最新文章
- 关于iOS7以后版本号企业公布问题
- linux日志中有空格,linux中统计排序的内容含有空白行的解决办法
- 第1次作业+105032014074
- Codeforces 429 A. Xor-tree
- 【Session】Tomcat中Session持久化到文件系统或数据库
- iOS 之 const
- 计算机nit题百度云,计算机NIT应用基础试题
- 【洛谷】P4643 【模板】动态dp
- 11个有关HTML5的事实
- python property方法_高效 Python 代码 —— 属性与 @property 方法
- 计算机硬件参数的工具软件,电脑硬件参数修改工具
- C语言 归并排序算法
- STM32配置全速USB与Python上位机传输数据步骤
- GMail为什么可以屹立不倒?
- java 生成 rtf_如何从Java生成RTF?
- pytorch gpu版本安装
- 计算机硬盘170gb,假的:《最终幻想15》PC推荐配置GTX1080Ti+170GB硬盘为误传
- 【pycharm】英文输入法变成全角字符无法输入
- jQuery的change()事件
- 褚老与褚橙,探秘情感消费市场的内核
热门文章
- 快速排序法(思想及代码实现)
- vs2010 调试窗口debugger UTF8 显示汉字 乱码
- python写订单管理系统_利用Python快速搭建钉钉和邮件数据推送系统
- 华为光猫鉴权解密逆向
- 宁波理工大学计算机程序设计培训,拼搏在程序设计前列——专访ACM大赛冠军浙江大学宁波理工学院FBH团队...
- tiny core linux 编译,tinycore linux使用
- java如何知道需导入哪个包_怎么知道缺少哪个jar包,求助!!!
- angular4更改表单中显示的值_Angular 4 动态表单教程 Reactive Forms教程
- java程序结构_Java 程序结构说明(学习 Java 编程语言 004)
- MySQL与会计报表_会计报表的18项必须审核的数据