精华内容
下载资源
问答
  • keras深度学习 Keras-深度学习 (Keras - Deep learning) Advertisements 广告 Previous Page 上一页 Next Page 下一页 Keras provides a complete framework to create any type of neural networks....
    keras深度学习

    keras深度学习

    Keras-深度学习 (Keras - Deep learning)

    Keras provides a complete framework to create any type of neural networks. Keras is innovative as well as very easy to learn. It supports simple neural network to very large and complex neural network model. Let us understand the architecture of Keras framework and how Keras helps in deep learning in this chapter.

    Keras提供了一个完整的框架来创建任何类型的神经网络。 Keras具有创新性并且非常易于学习。 它支持简单的神经网络到非常大和复杂的神经网络模型。 在本章中,让我们了解Keras框架的体系结构以及Keras如何帮助深度学习。

    凯拉斯的体系结构 (Architecture of Keras)

    Keras API can be divided into three main categories −

    Keras API可以分为三个主要类别-

    • Model

      模型
    • Layer

    • Core Modules

      核心模块

    In Keras, every ANN is represented by Keras Models. In turn, every Keras Model is composition of Keras Layers and represents ANN layers like input, hidden layer, output layers, convolution layer, pooling layer, etc., Keras model and layer access Keras modules for activation function, loss function, regularization function, etc., Using Keras model, Keras Layer, and Keras modules, any ANN algorithm (CNN, RNN, etc.,) can be represented in a simple and efficient manner.

    在Keras中,每个人工神经网络都由Keras模型表示。 反过来,每个Keras模型都是Keras层的组成 ,代表了ANN层,例如输入层,隐藏层,输出层,卷积层,池化层等。Keras模型和层访问Keras模块,用于激活函数,损失函数,正则化函数,等等,使用Keras模型,Keras Layer和Keras模块,可以以简单有效的方式表示任何ANN算法(CNN,RNN等)。

    The following diagram depicts the relationship between model, layer and core modules −

    下图描述了模型,层和核心模块之间的关系-

    Architecture of Keras

    Let us see the overview of Keras models, Keras layers and Keras modules.

    让我们看一下Keras模型,Keras图层和Keras模块的概述。

    模型 (Model)

    Keras Models are of two types as mentioned below −

    Keras模型有以下两种类型-

    Sequential Model − Sequential model is basically a linear composition of Keras Layers. Sequential model is easy, minimal as well as has the ability to represent nearly all available neural networks.

    顺序模型 -顺序模型基本上是Keras层的线性组成。 顺序模型简单,最小,并且能够表示几乎所有可用的神经网络。

    A simple sequential model is as follows −

    一个简单的顺序模型如下-

    
    from keras.models import Sequential 
    from keras.layers import Dense, Activation 
    
    model = Sequential()  
    model.add(Dense(512, activation = 'relu', input_shape = (784,)))
    
    

    Where,

    哪里,

    • Line 1 imports Sequential model from Keras models

      1号线从Keras模型导入顺序模型

    • Line 2 imports Dense layer and Activation module

      第2行导入了密集层和激活模块

    • Line 4 create a new sequential model using Sequential API

      第4行使用Sequential API创建新的顺序模型

    • Line 5 adds a dense layer (Dense API) with relu activation (using Activation module) function.

      第5行添加了带有relu激活(使用Activation模块)功能的密集层(Dense API)。

    Sequential model exposes Model class to create customized models as well. We can use sub-classing concept to create our own complex model.

    顺序模型公开了Model类,以创建自定义模型。 我们可以使用子分类概念来创建我们自己的复杂模型。

    Functional API − Functional API is basically used to create complex models.

    功能API-功能API基本上用于创建复杂的模型。

    (Layer)

    Each Keras layer in the Keras model represent the corresponding layer (input layer, hidden layer and output layer) in the actual proposed neural network model. Keras provides a lot of pre-build layers so that any complex neural network can be easily created. Some of the important Keras layers are specified below,

    Keras模型中的每个Keras层代表实际提出的神经网络模型中的对应层(输入层,隐藏层和输出层)。 Keras提供了许多预构建层,因此可以轻松创建任何复杂的神经网络。 下面指定了一些重要的Keras图层,

    • Core Layers

      核心层
    • Convolution Layers

      卷积层
    • Pooling Layers

      池层
    • Recurrent Layers

      循环图层

    A simple python code to represent a neural network model using sequential model is as follows −

    使用顺序模型表示神经网络模型的简单python代码如下-

    
    from keras.models import Sequential 
    from keras.layers import Dense, Activation, Dropout model = Sequential() 
    
    model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
    model.add(Dropout(0.2)) 
    model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
    model.add(Dense(num_classes, activation = 'softmax'))
    
    

    Where,

    哪里,

    • Line 1 imports Sequential model from Keras models

      1号线从Keras模型导入顺序模型

    • Line 2 imports Dense layer and Activation module

      第2行导入了密集层和激活模块

    • Line 4 create a new sequential model using Sequential API

      第4行使用Sequential API创建新的顺序模型

    • Line 5 adds a dense layer (Dense API) with relu activation (using Activation module) function.

      第5行添加了带有relu激活(使用Activation模块)功能的密集层(Dense API)。

    • Line 6 adds a dropout layer (Dropout API) to handle over-fitting.

      第6行添加了一个辍学层(Dropout API)来处理过度拟合。

    • Line 7 adds another dense layer (Dense API) with relu activation (using Activation module) function.

      第7行添加了具有relu激活(使用Activation模块)功能的另一个密集层(Dense API)。

    • Line 8 adds another dropout layer (Dropout API) to handle over-fitting.

      第8行添加了另一个辍学层(Dropout API)来处理过度拟合。

    • Line 9 adds final dense layer (Dense API) with softmax activation (using Activation module) function.

      第9行添加了带有softmax激活(使用Activation模块)功能的最终密集层(Dense API)。

    Keras also provides options to create our own customized layers. Customized layer can be created by sub-classing the Keras.Layer class and it is similar to sub-classing Keras models.

    Keras还提供了创建我们自己的自定义图层的选项。 可以通过对Keras.Layer类进行子类化来创建自定义图层,这类似于对Keras模型进行子类化。

    核心模块 (Core Modules)

    Keras also provides a lot of built-in neural network related functions to properly create the Keras model and Keras layers. Some of the function are as follows −

    Keras还提供了大量内置神经网络相关功能,以正确创建Keras模型和Keras层。 一些功能如下-

    • Activations module − Activation function is an important concept in ANN and activation modules provides many activation function like softmax, relu, etc.,

      激活模块 -激活功能是ANN中的重要概念,激活模块提供了许多激活功能,例如softmax,relu等,

    • Loss module − Loss module provides loss functions like mean_squared_error, mean_absolute_error, poisson, etc.,

      损失模块 -损失模块提供了诸如mean_squared_error,mean_absolute_error,泊松等损失函数,

    • Optimizer module − Optimizer module provides optimizer function like adam, sgd, etc.,

      优化器模块 -优化器模块提供诸如adam,sgd等的优化器功能,

    • Regularizers − Regularizer module provides functions like L1 regularizer, L2 regularizer, etc.,

      正则化器 -正则化器模块提供L1正则化器,L2正则化器等功能,

    Let us learn Keras modules in detail in the upcoming chapter.

    让我们在下一章中详细学习Keras模块。

    翻译自: https://www.tutorialspoint.com/keras/keras_deep_learning.htm

    keras深度学习

    展开全文
  • 利用Keras深度学习
  • Keras视频教程-Keras深度学习入门与实战;本课程介绍深度学习和神经网络的概念,并使用keras框架带领同学们构建各种各样的机器学习网络和深度学习网络,非常适合入门学习。
  • 波士顿房价 keras 深度学习 回归程序
  • 分享一套视频教程,名字叫——Keras深度学习入门与实战视频教程,课程很不错,完整版,附源码和课件,有需要的同学可以下载看看
  • Keras深度学习笔记最近本人在github上发现一个不错的资源,是利用keras来学习深度学习的笔记,笔记内容充实,数据完善,本人亲自实操了里面的所有例子,深感收获颇丰,今天特意推荐给...

    Keras深度学习笔记

    最近本人在github上发现一个不错的资源,是利用keras来学习深度学习的笔记,笔记内容充实,数据完善,本人亲自实操了里面的所有例子,深感收获颇丰,今天特意推荐给大家,希望能给大家带来帮助。文末有彩蛋哦

    前提说明

        本资源作者:ErhWen Kuo

        本篇微文编辑:自然语言处理遇上深度学习

       如需转载请联系本公众号小编,谢谢!!!

    资源介绍

        这个github的repository主要是ErhWen Kuo在学习Keras的一些记录及练习。希望在学习过程中发现到一些好的信息与示例也可以对想要学习使用Keras来解决问题的同学带来帮助。这些notebooks主要是使用Python 3.6与Keras 2.1.1版本跑在一台配置Nivida 1080Ti的Windows 10的机台所产生的结果,但有些部份会参杂一些Tensorflow与其它的函式库的介绍。对于想要进行Deeplearning的朋友们,真心建议要有GPU啊~!

    资源大纲

        本小编特意针对该资源采用思维大图的形式制作了资源大纲,希望能够更大家带来更加全面的了解。

    主要内容  

    0.图象数据集/工具介诏

    0.0: COCO API解说与简单示例

    0.1:土炮自制扑克牌图象数据集

    0.2:使用Pillow来进行图像处理

    1.Keras API示例

    1.0:使用图像增强来进行深度学习

    1.1:如何使用Keras函数式API进行深度学习

    1.2:从零开始构建VGG网络来学习Keras

    1.3:使用预训练的模型来分类照片中的物体

    1.4:使用图像增强来训练小数据集

    1.5:使用预先训练的卷积网络模型

    1.6:卷积网络模型学习到什么的可视化

    1.7:构建自动编码器(Autoencoder)

    1.8:序列到序列(Seq-to-Seq)学习介诏

    1.9: One-hot编码工具程序介诏

    1.10:循环神经网络(RNN)介诏

    1.11: LSTM的返回序列和返回状态之间的区别

    1.12:用LSTM来学习英文字母表顺序

    2.图象辨识(Image Classification)

    2.0: Julia(Chars74K)字母图象辨识

    2.1:交通标志图象辨识

    2.2:辛普森卡通图象角色辨识

    2.3:时尚服饰图象辨识

    2.4:人脸关键点辨识

    2.5: Captcha验证码辨识

    2.6: Mnist手写图象辨识(MLP)

    2.7: Mnist手写图象辨识(CNN)

    3.物体侦测(Object Recognition)

    3.0: YOLO物体侦测算法概念与介绍

    3.1: YOLOv2物体侦测示例

    3.2:浣熊(Racoon)侦测-YOLOv2模型训练与调整

    3.3:浣熊(Racoon)侦测-YOLOv2模型的使用

    3.4:袋鼠(Kangaroo)侦测-YOLOv2模型训练与调整

    3.5:双手(Hands)侦测-YOLOv2模型训练与调整

    3.6:辛普森卡通图象角色(Simpson)侦测-YOLOv2模  型训练与调整

    3.7: MS COCO图象侦测-YOLOv2模型训练与调整

    4.物体分割(Object Segmentation)

    5.关键点侦测(Keypoint Detection)

    6.图象标题(Image Caption)

    7.人脸侦测辨识(Face Detection/Recognition)

    7.0:人脸侦测- OpenCV(Haar特征分类器)

    7.1:人脸侦测- MTCNN(Multi-task Cascaded Convolutional Networks)

    7.2:人脸辨识-脸部侦测、对齐&裁剪

    7.3:人脸辨识-人脸部特征撷取&人脸分类器

    7.4:人脸辨识-转换、对齐、裁剪、特征撷取与比对

    7.5:脸部关键点侦测(dlib)

    7.6:头部姿态(Head pose)估计(dlib)

    8.自然语言处理(Natural Language Processing)

    8.0:单词嵌入(word embeddings)介诏

    8.1:使用结巴(jieba)进行中文断词

    8.2: Word2vec词嵌入(word embeddings)的基本概念

    8.3:使用结巴(jieba)进行歌词分析

    8.4:使用gensim训练中文词向量(word2vec)

    彩蛋部分

    资源地址:

    https://github.com/erhwenkuo/deep-learning-with-keras-notebooks

    长按二维码关注我们  ▶▶▶

    请关注和分享↓↓↓ 

    机器学习初学者

    QQ群:654173748

    往期精彩回顾

    展开全文
  • DL之Keras: Keras深度学习框架的注意事项(自动下载存放路径等)、使用方法之详细攻略 目录 Keras深度学习框架的注意事项 1、Keras自动下载默认数据集/模型存放位置 Windows系统 Mac系统 Linux系统 ...

    DL之Keras: Keras深度学习框架的注意事项(自动下载存放路径等)、使用方法之详细攻略

     

     

     

     

    目录

    Keras深度学习框架的注意事项

    1、Keras自动下载默认数据集/模型存放位置

    Windows系统

    Mac系统

    Linux系统

    Keras深度学习框架的使用方法


     

     

     

     

     

     

    Keras深度学习框架的注意事项

    1、Keras自动下载默认数据集/模型存放位置

    Windows系统

    数据集文件:C:\用户\用户名\.keras\datasets
    模型文件:C:\用户\用户名\.keras\models

     

     

    Mac系统

    数据集文件:~/.keras/datasets/
    模型文件:~/.keras/models/

     

    Linux系统

    数据集文件:~/.keras/datasets/
    模型文件:~/.keras/models/

     

     

     

    Keras深度学习框架的使用方法

    后期更新……

     

     

    展开全文
  • Keras Preprocessing是Keras深度学习库的数据预处理和数据增补模块。 它提供了用于处理图像数据,文本数据和序列数据的工具。
  • 快速开启Keras深度学习之路1 Keras 序列模型1.1 添加网络层方法1.2 输入shape1.3 合并Compilation1.3.1 例子1.4 训练过程Training1.4.1对单一输入二分类深度学习框架1.4.1.1 初始化训练模型参数1.4.1.2 创建(加载)...

    在这里插入图片描述
    在这里插入图片描述

    1 Keras 序列模型

    1.1 添加网络层方法

    方法一:

    from keras.models import Sequential
    from keras.layers import Dense, Activation
    
    model = Sequential([
        Dense(32, input_shape=(784,)),
        Activation('relu'),
        Dense(10),
        Activation('softmax'),
    ])
    

    方法二

    from keras.models import Sequential
    from keras.layers import Dense, Activation
    
    model = Sequential()#实例化序列模型
    model.add(Dense(32, input_dim=784))#添加网络层
    model.add(Activation('relu'))#添加激活函数
    

    个人喜欢方法二,逐步添加网络层

    1.2 输入shape

    在网络层输入的第一层需要输入shape
    下列两种方法等效

    model = Sequential()
    model.add(Dense(32, input_shape=(784,)))
    
    model = Sequential()
    model.add(Dense(32, input_dim=784))
    

    1.3 合并Compilation

    在训练开始之前需要配置学习过程的参数使用compile(optimize,loss, metrics)

    • optimize 优化器名称
    • loss 损失函数
    • metrics 评估方法

    1.3.1 例子

    # For a multi-class classification problem
    model.compile(optimizer='rmsprop',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    
    # For a binary classification problem
    model.compile(optimizer='rmsprop',
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
    
    # For a mean squared error regression problem
    model.compile(optimizer='rmsprop',
                  loss='mse')
    
    # For custom metrics
    import keras.backend as K
    
    def mean_pred(y_true, y_pred):
        return K.mean(y_pred)
    
    model.compile(optimizer='rmsprop',
                  loss='binary_crossentropy',
                  metrics=['accuracy', mean_pred])
    

    1.4 训练过程Training

    kesra是基于Numpy数组

    1.4.1对单一输入二分类深度学习框架

    1.4.1.1 初始化训练模型参数

    # For a single-input model with 2 classes (binary classification):
    
    model = Sequential()
    model.add(Dense(32, activation='relu', input_dim=100))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer='rmsprop',
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
    

    1.4.1.2 创建(加载)数据

    # Generate dummy data
    import numpy as np
    data = np.random.random((1000, 100))
    labels = np.random.randint(2, size=(1000, 1))
    

    1.4.1.3开始训练

    # Train the model, iterating on the data in batches of 32 samples
    model.fit(data, labels, epochs=10, batch_size=32)
    

    1.4.2 对单一输入多分类分类深度学习框架(步骤与上面一致)

    # For a single-input model with 10 classes (categorical classification):
    
    model = Sequential()
    model.add(Dense(32, activation='relu', input_dim=100))
    model.add(Dense(10, activation='softmax'))
    model.compile(optimizer='rmsprop',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    
    # Generate dummy data
    import numpy as np
    data = np.random.random((1000, 100))
    labels = np.random.randint(10, size=(1000, 1))
    
    # Convert labels to categorical one-hot encoding
    one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
    
    # Train the model, iterating on the data in batches of 32 samples
    model.fit(data, one_hot_labels, epochs=10, batch_size=32)
    

    2 一般深度学习训练过程框架

    2.1 多层感知机对多分类的softmax 分类函数

    2.1.1 导入包

    import keras
    from keras.models import Sequential
    from keras.layers import Dense, Dropout, Activation
    from keras.optimizers import SGD
    

    2.1.2 加载数据

    # Generate dummy data
    import numpy as np
    x_train = np.random.random((1000, 20))
    y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
    x_test = np.random.random((100, 20))
    y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
    
    

    2.1.3 实例化模型并添加网络层

    model = Sequential()
    # Dense(64) is a fully-connected layer with 64 hidden units.
    # in the first layer, you must specify the expected input data shape:
    # here, 20-dimensional vectors.
    model.add(Dense(64, activation='relu', input_dim=20))
    model.add(Dropout(0.5))
    model.add(Dense(64, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(10, activation='softmax'))
    

    2.1.4 整合模型(创建损失函数、优化器、评估函数)

    sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    model.compile(loss='categorical_crossentropy',
                  optimizer=sgd,
                  metrics=['accuracy'])
    

    2.1.5 开始训练

    model.fit(x_train, y_train,
              epochs=20,
              batch_size=128)
    

    2.1.6 评估训练结果

    score = model.evaluate(x_test, y_test, batch_size=128)
    

    2.2 多层感知机对二分类

    这里不做解释了(步骤与上述一致)

    import numpy as np
    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    
    # Generate dummy data
    x_train = np.random.random((1000, 20))
    y_train = np.random.randint(2, size=(1000, 1))
    x_test = np.random.random((100, 20))
    y_test = np.random.randint(2, size=(100, 1))
    
    model = Sequential()
    model.add(Dense(64, input_dim=20, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(64, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(1, activation='sigmoid'))
    
    model.compile(loss='binary_crossentropy',
                  optimizer='rmsprop',
                  metrics=['accuracy'])
    
    model.fit(x_train, y_train,
              epochs=20,
              batch_size=128)
    score = model.evaluate(x_test, y_test, batch_size=128)
    

    2.3 VGG-like convnet:可视化几何群网络

    百度百科解释

    https://baike.baidu.com/item/VGG%20%E6%A8%A1%E5%9E%8B/22689655?fr=aladdin

    2.3.1 导入包

    import numpy as np
    import keras
    from keras.models import Sequential
    from keras.layers import Dense, Dropout, Flatten
    from keras.layers import Conv2D, MaxPooling2D
    from keras.optimizers import SGD
    

    2.3.2 创建数据

    # Generate dummy data
    x_train = np.random.random((100, 100, 100, 3))
    y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
    x_test = np.random.random((20, 100, 100, 3))
    y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)
    

    2.3.3 实例化模型

    model = Sequential()
    

    2.3.4 添加网络层

    # input: 100x100 images with 3 channels -> (100, 100, 3) tensors.
    # this applies 32 convolution filters of size 3x3 each.
    model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
    model.add(Conv2D(32, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))
    
    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))
    
    model.add(Flatten())
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(10, activation='softmax'))
    

    2.3.5 整合模型(创建损失函数、优化器、评估函数)

    sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    model.compile(loss='categorical_crossentropy', optimizer=sgd)
    

    2.3.6 训练模型

    model.fit(x_train, y_train, batch_size=32, epochs=10)
    

    2.3.7 评估模型

    score = model.evaluate(x_test, y_test, batch_size=32)
    

    2.4 使用LSTM(长短期记忆网络)进行序列分类

    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    from keras.layers import Embedding
    from keras.layers import LSTM
    
    max_features = 1024
    
    model = Sequential()
    model.add(Embedding(max_features, output_dim=256))
    model.add(LSTM(128))
    model.add(Dropout(0.5))
    model.add(Dense(1, activation='sigmoid'))
    
    model.compile(loss='binary_crossentropy',
                  optimizer='rmsprop',
                  metrics=['accuracy'])
    
    model.fit(x_train, y_train, batch_size=16, epochs=10)
    score = model.evaluate(x_test, y_test, batch_size=16)
    

    2.5 使用1-D卷积进行序列分类

    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    from keras.layers import Embedding
    from keras.layers import Conv1D, GlobalAveragePooling1D, MaxPooling1D
    
    seq_length = 64
    
    model = Sequential()
    model.add(Conv1D(64, 3, activation='relu', input_shape=(seq_length, 100)))
    model.add(Conv1D(64, 3, activation='relu'))
    model.add(MaxPooling1D(3))
    model.add(Conv1D(128, 3, activation='relu'))
    model.add(Conv1D(128, 3, activation='relu'))
    model.add(GlobalAveragePooling1D())
    model.add(Dropout(0.5))
    model.add(Dense(1, activation='sigmoid'))
    
    model.compile(loss='binary_crossentropy',
                  optimizer='rmsprop',
                  metrics=['accuracy'])
    
    model.fit(x_train, y_train, batch_size=16, epochs=10)
    score = model.evaluate(x_test, y_test, batch_size=16)
    

    2.6 使用LSTM堆进行序列分类

    在这里插入图片描述

    from keras.models import Sequential
    from keras.layers import LSTM, Dense
    import numpy as np
    
    data_dim = 16
    timesteps = 8
    num_classes = 10
    
    # expected input data shape: (batch_size, timesteps, data_dim)
    model = Sequential()
    model.add(LSTM(32, return_sequences=True,
                   input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
    model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
    model.add(LSTM(32))  # return a single vector of dimension 32
    model.add(Dense(10, activation='softmax'))
    
    model.compile(loss='categorical_crossentropy',
                  optimizer='rmsprop',
                  metrics=['accuracy'])
    
    # Generate dummy training data
    x_train = np.random.random((1000, timesteps, data_dim))
    y_train = np.random.random((1000, num_classes))
    
    # Generate dummy validation data
    x_val = np.random.random((100, timesteps, data_dim))
    y_val = np.random.random((100, num_classes))
    
    model.fit(x_train, y_train,
              batch_size=64, epochs=5,
              validation_data=(x_val, y_val))
    

    2.7 Same stacked LSTM model, rendered “stateful”

    from keras.models import Sequential
    from keras.layers import LSTM, Dense
    import numpy as np
    
    data_dim = 16
    timesteps = 8
    num_classes = 10
    batch_size = 32
    
    # Expected input batch shape: (batch_size, timesteps, data_dim)
    # Note that we have to provide the full batch_input_shape since the network is stateful.
    # the sample of index i in batch k is the follow-up for the sample i in batch k-1.
    model = Sequential()
    model.add(LSTM(32, return_sequences=True, stateful=True,
                   batch_input_shape=(batch_size, timesteps, data_dim)))
    model.add(LSTM(32, return_sequences=True, stateful=True))
    model.add(LSTM(32, stateful=True))
    model.add(Dense(10, activation='softmax'))
    
    model.compile(loss='categorical_crossentropy',
                  optimizer='rmsprop',
                  metrics=['accuracy'])
    
    # Generate dummy training data
    x_train = np.random.random((batch_size * 10, timesteps, data_dim))
    y_train = np.random.random((batch_size * 10, num_classes))
    
    # Generate dummy validation data
    x_val = np.random.random((batch_size * 3, timesteps, data_dim))
    y_val = np.random.random((batch_size * 3, num_classes))
    
    model.fit(x_train, y_train,
              batch_size=batch_size, epochs=5, shuffle=False,
              validation_data=(x_val, y_val))
    

    3 源网址

    https://keras.io/getting-started/sequential-model-guide/

    如果您喜欢我的文章,感觉对您有帮助,不如请问喝杯奶茶,我不怕胖的哦嘻嘻嘻,比心!
    在这里插入图片描述

    展开全文
  • 在Ubuntu上安装Keras深度学习框架

    千次阅读 2018-11-12 13:02:37
    目录 1)安装pip 2)安装Python科学套件 ...今天介绍如何在Ubuntu上安装Keras深度学习框架。 1)安装pip 并确认包的管理器是最新的,我这里选择的是pip3。 $ sudo apt-get update $ sudo apt-get upgrade...
  • Keras 深度学习框架

    千次阅读 2019-03-28 12:18:13
    https://keras.io/zh/why-use-keras/为什么选择Keras?...主流深度学习框架对比(TensorFlow、Keras、MXNet、PyTorch) 近几年来,深度学习的研究和应用的热潮持续高涨,各种开源深度学习框架层出不穷...
  • Windows环境下python中 Keras深度学习环境搭建**Windows环境下Keras搭建**基本介绍安装依赖库mingw和libpython安装依赖库 mingw安装libpython安装Theanokeras 安装 Windows环境下Keras搭建 基本介绍 Keras是一个...
  • 使用Java部署训练好的Keras深度学习模型!!!!: http://www.atyun.com/26414.html java web应用调用python深度学习训练的模型: https://blog.csdn.net/weixin_30377461/article/details/96496250 ...
  • Keras的底层库使用Theano或TensorFlow,这两个库也称为Keras的后端。无论是Theano还是TensorFlow,都是一个“符号式”的库。 张量 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...
  • [Keras深度学习浅尝]实战二·RNN实现Fashion MNIST 数据集分类 与我们上篇博文[Keras深度学习浅尝]实战一结构相同,修改的地方有,定义网络与模型训练两部分,可以对比着来看。通过使用RNN结构,预测准确率略有提升...
  • [Keras深度学习浅尝]实战二·CNN实现Fashion MNIST 数据集分类 与我们上篇博文[Keras深度学习浅尝]实战一结构相同,修改的地方有,定义网络与模型训练两部分,可以对比着来看。通过使用CNN结构,预测准确率略有提升...
  • 在Pyqt5中实现keras深度学习网络预测

    千次阅读 2019-08-15 17:38:08
    在Pyqt5中实现keras深度学习网络预测load_model是出现Tensor is not an element of this graph问题部分功能 load_model是出现Tensor is not an element of this graph问题 问题描述: global path_openfile_name ...
  • 转自:Keras深度学习LSTM模型 预测黄金主力收盘价 深度学习框架 Keras,深度学习LSTM模型 1 数据源:黄金主力数据 来源于JQData (数据由JQData支持 ) 2 数据清洗 3 使用黄金主力数据 进⾏预测的2个实验 数据集:70...
  • #1.keras深度学习框架的训练保存过程from keras.models import model_from_jsonmodel_json = model.to_json() with open("model.json", "w") as json_file: json_file.write(model_json) # serialize weights to...
  • Win7 64位 Keras深度学习框架安装

    千次阅读 2016-08-15 18:10:19
    最近想用Python搞搞神经网络,就用Keras了。 Caffe和Keras相比优缺点: ...1.Keras安装安装过程全程参考:Keras深度学习框架配置感谢博主,写的非常详细。提醒!如果你之前单独安装过Python和MinG
  • 最近在学习深度学习,想搭建一个...现在把windows下的Anaconda+tensorflow+keras深度学习框架搭建过程记录如下 1.下载安装Anaconda记住支持版本一定是python3以上的版本 链接如下:https://www.continuum.io/downl...
  • 由于前一段时间以及实现了基于keras深度学习框架下yolov3的算法,本来想趁着余热将自己的心得体会进行总结,但由于前几天有点事就没有完成计划,现在趁午休时间整理一下。 二.Keras框架的介绍 1.Keras是一个用...
  • Keras深度学习

    千次阅读 2018-12-26 14:02:34
    catalogue 1. 引言 2. 一些基本概念 3. Sequential模型 ...Keras是一个高层神经网络库,Keras由纯Python编写而成并基Tensorflow或Theano 简易和快速的原型设计(keras具有高度模块化,极简,和可扩...
  • Keras深度学习环境配置(WIN10/GPU加速版)

    千次阅读 多人点赞 2018-08-10 22:50:13
    Keras深度学习环境配置(WIN10/GPU加速版) 本人目前在用深度学习方法做命名实体识别。起初学习阶段因为数据量不大,所以直接用CPU来训练模型;不过真正落实到研究则需要大量数据才能训练出泛化能力强的模型,这时...
  • [Keras深度学习浅尝]实战一·DNN实现Fashion MNIST 数据集分类 此实战来源于TensorFlow Keras官方教程 导入相关包 # TensorFlow and tf.keras import os os.environ["KMP_DUPLICATE_LIB_OK"]=&...
  • [Keras深度学习浅尝]实战五·使用DNN自编码器实现聚类操作数据降维 代码部分 # TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # Helper libraries import os os.environ["...
  • 只要是程序员都知道,学习一门新的语言或者框架的时候,第一个自己敲入且运行的程序,都一个HelloWorld的程序、笔者也不例外,当笔者把Keras在Unbuntu系统安装好之后,早已掩盖不住激动的心,然后想在Keras上面运行...
  • keras深度学习框架

    2017-04-01 11:49:53
    实验室新装了keras,发现keras默认后端是tensorflow,想换回theano,看了官方文档也没搞懂,最终搞定,很简单。 中文文档的描述:keras中文文档,切换后端 后端切换:...
  • ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~前言今天去图书馆想找一本Tensorflow方面的教程,结果找到了这本《Tensorflow+Keras 深度学习人工智能实践应用学习 》清华大学出版社,林大贵著。目前小白一枚,打算照着这本书...
  • 利用keras搭建学习模型,学习人脸表情数据库,在视频流上利用OpenCV人脸识别模型采集人脸,并根据人脸表情进行分类,代码含有数据集,软件利用Python开发

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,802
精华内容 3,520
关键字:

keras深度学习