既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
bias_constraint=None, **kwargs
)
| 参数 | 介绍 |
| --- | --- |
| units | 正整数, 输出空间维度 |
| activation | 激活函数, 若不指定, 则不适用激活函数 |
| use\_bias | 布尔值, 该层是否使用偏置向量 |
| kernel\_initializer | `kernel`权值矩阵的初始化器 |
| bias\_initializer | 偏执向量的初始化器 |
| kernel\_regulaizer | 运用到偏执项的正则化函数 |
| bias\_regularizer | 运用到偏执项的的正则化函数 |
| activity\_regulatizer | 运用到层的输出正则化函数 |
| kernel\_constrint | 运用到`kernel`权值矩阵的约束函数 |
| bias\_constraint | 运用到偏执向量的约束函数 |
例子:
创建正态分布
x = tf.random.normal([256, 784])
创建全连接层, 输出为512
net = tf.keras.layers.Dense(512)
out = net(x)
调试输出
print(“w:”, net.kernel.shape)
print(“b:”, net.bias.shape)
输出结果:
w: (784, 512)
b: (512,)
## keras.Squential
Squential (序列模型) 是各层次之间依次顺序的线性关系. 模型结构通过一个列表来制定.
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210612121644190.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjI3NDE2OA==,size_16,color_FFFFFF,t_70#pic_center)
格式:
tf.keras.Sequential(
layers=None, name=None
)
参数:
* layers: 添加的层
* name: 数据名称
例子:
创建正态分布
x = tf.random.normal([256, 784])
建立网络模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(256, activation=“relu”),
tf.keras.layers.Dense(128, activation=“relu”),
tf.keras.layers.Dense(10, activation=“relu”),
])
传入x
model(x)
调试输出权重和偏置顶名字和形状
for p in model.trainable_variables:
print(p.name, p.shape)
![img](https://img-blog.csdnimg.cn/img_convert/d51dae9f9ea00d0907b28359aaa5a5e8.png)
![img](https://img-blog.csdnimg.cn/img_convert/8b1ce1724546e08e51d7fb18b437cc4e.png)
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
b5e56a57acb)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**