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'}。
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。
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。
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。

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。

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。

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”。

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。
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。

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)
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)
predict：为输入样本生成输出预测。
- 定义：predict(x, batch_size=None, verbose=0, steps=None)

（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)
test_on_batch：batch上测试模型。
- 定义：test_on_batch(x, y, sample_weight=None)
predict_on_batch：返回batch上的模型预测值
- 定义：predict_on_batch(x)

（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)
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)

（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 ...

【Keras】学习笔记（二）