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
model.fit/fit_generator(dataset, epochs=10,
batch_size=3,
validation_data=val_dataset,
)
* 模型评估
指明评估数据集和批次大小
model.evaluate(x, y, batch_size=32)
* 模型预测
对新的样本进行预测
model.predict(x, batch_size=32)
(5)回调函数(callbacks)
回调函数用在模型训练过程中,来控制模型训练行为,可以自定义回调函数,也可使用`tf.keras.callbacks` 内置的 `callback` :
* `ModelCheckpoint`:定期保存 checkpoints。
* `LearningRateScheduler`:动态改变学习速率。
* `EarlyStopping`:当验证集上的性能不再提高时,终止训练。
* `TensorBoard`:使用 TensorBoard 监测模型的状态。
(6)模型的保存和恢复
* 只保存参数
只保存模型的权重
model.save_weights(‘./my_model’)
加载模型的权重
model.load_weights(‘my_model’)
* 保存整个模型
保存模型架构与权重在h5文件中
model.save(‘my_model.h5’)
加载模型:包括架构和对应的权重
model = keras.models.load_model(‘my_model.h5’)
### 3.3 模型入门案例
1. 模块导入
# 导入其他相关的库
绘图,获取数据集
import seaborn as sns
数值计算
import numpy as np
机器学习
划分训练集和测试集
from sklearn.model_selection import train_test_split
逻辑回归
from sklearn.linear_model import LogisticRegressionCV
深度学习
用于模型搭建
from tensorflow.keras.models import Sequential
构建模型的层和激活方法
from tensorflow.keras.layers import Dense, Activation
数据处理的辅助工具
from tensorflow.keras import utils
>
> 注意:LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而LogisticRegression需要自己每次指定一个正则化系数。除了交叉验证,以及选择正则化系数C以外, Logistic