首页 > TensorFlow
TensorFlow Keras及其用法(无师自通)
Keras 是与 TensorFlow 一起使用的更高级别的作为后端的 API。添加层就像添加一行代码一样简单。在模型架构之后,使用一行代码,你可以编译和拟合模型。之后,它可以用于预测。变量声明、占位符甚至会话都由 API 管理。
具体做法
-
定义模型的类型。Keras 提供了两种类型的模型:序列和模型类 API。Keras 提供各种类型的神经网络层:
-
在 model.add() 的帮助下将层添加到模型中。依照 Keras 文档描述,Keras 提供全连接层的选项(针对密集连接的神经网络):
注意,密集层实现的操作:output=activation(dot(input,kernel)+bias),其中 activation 是元素激活函数,是作为激活参数传递的,kernel 是由该层创建的权重矩阵,bias 是由该层创建的偏置向量(仅在 use_bias 为 True 时适用)。
-
可以使用它来添加尽可能多的层,每个隐藏层都由前一层提供输入。只需要为第一层指定输入维度:
-
一旦模型被定义,需要选择一个损失函数和优化器。Keras 提供了多种损失函数(mean_squared_error、mean_absolute_error、mean_absolute_percentage_error、categorical_crossentropy 和优化器(sgd、RMSprop、Adagrad、Adadelta、Adam 等)。损失函数和优化器确定后,可以使用 compile(self,optimizer,loss,metrics=None,sample_weight_mode=None)来配置学习过程:
-
使用 fit 方法训练模型:
-
可以在 predict 方法 predict(self,x,batch_size=32,verbose=0) 的帮助下进行预测:
Keras 提供选项来添加卷积层、池化层、循环层,甚至是局部连接层。每种方法的详细描述在 Keras 的官方文档中可以找到:https://keras.io/models/sequential/。
所有教程
- C语言入门
- C语言编译器
- C语言项目案例
- 数据结构
- C++
- STL
- C++11
- socket
- GCC
- GDB
- Makefile
- OpenCV
- Qt教程
- Unity 3D
- UE4
- 游戏引擎
- Python
- Python并发编程
- TensorFlow
- Django
- NumPy
- Linux
- Shell
- Java教程
- 设计模式
- Java Swing
- Servlet
- JSP教程
- Struts2
- Maven
- Spring
- Spring MVC
- Spring Boot
- Spring Cloud
- Hibernate
- Mybatis
- MySQL教程
- MySQL函数
- NoSQL
- Redis
- MongoDB
- HBase
- Go语言
- C#
- MATLAB
- JavaScript
- Bootstrap
- HTML
- CSS教程
- PHP
- 汇编语言
- TCP/IP
- vi命令
- Android教程
- 区块链
- Docker
- 大数据
- 云计算