8、【李宏毅机器学习（2017）】Keras

最新推荐文章于 2024-08-12 11:53:14 发布

Jimmyzqb

最新推荐文章于 2024-08-12 11:53:14 发布

阅读量4.3k

点赞数

分类专栏：李宏毅机器学习(2017) 笔记文章标签：机器学习深度学习 Keras Keras原理

本文链接：https://blog.csdn.net/Jimmyzqb/article/details/82153835

版权

本文介绍了机器学习中Keras的使用，包括Keras在TensorFlow和Theano之上的接口角色，以及如何构建和训练神经网络模型。讨论了batch_size和nb_epoch参数对计算的影响，解释了不同batch大小对耗时和模型训练效果的差异，并提到了Keras2.0版本的变化。最后，通过实战展示了Keras模型的预测性能。

摘要由CSDN通过智能技术生成

上一篇博客介绍了反向传播算法的理论部分，这一篇博客将利用python的模块Keras开始神经网络算法的实战。

Keras介绍
Keras使用
神经网络中参数
Keras2.0
Keras实战

Keras介绍

常用的神经网络模块还包括TensorFlow和Theano，这两个模块有着高度的灵活性，可定制化程度极高，可以理解为一个微分器，学习难度大，Keras是TensorFlow和Theano的interface，使用Keras是在调用TensorFlow，并且也有着一定的灵活性，且学习难度低。
$\quad$

Keras使用

step1

keras的使用按照神经网络层次逐一添加神经层，

import keras
from keras.layers import Activation, Dense
from keras import Sequential

#定义一个神经网络类
model = Sequential()

#添加第一个隐藏层，输入的参数是28*28维，第一层神经元个数为500，激活函数全部设置为‘sigmoid’
model.add(Dense(input_dim=28*28,output_dim=500))
model.add(Activation('sigmoid'))

#添加第二个隐藏层，设置第二层神经元个数也为500，激活函数全部设置为‘sigmoid’
model.add(Dense(output_dim=500))
model.add(Activation('sigmoid'))

#添加输出层，输出参数是10维，激活函数全部设置为多分类函数‘softmax’
model.add(Dense(output_dim=10))
model.add(Activation('softmax'))