python 深度学习方法代码整理

最新推荐文章于 2024-09-04 21:04:06 发布

m0_61948575

最新推荐文章于 2024-09-04 21:04:06 发布

阅读量5.2k

点赞数 2

分类专栏： python/深度学习/keras 文章标签： python 深度学习开发语言

本文链接：https://blog.csdn.net/m0_61948575/article/details/123444068

版权

本文整理了使用Keras框架构建深度学习模型，包括卷积神经网络(CNN)和循环神经网络(LSTM/BiLSTM)的应用。通过Sequential模型堆叠层，实现复杂神经网络。并探讨了BERT模型的不同结合方式。

摘要由CSDN通过智能技术生成

使用keras框架构建模型。

keras中的主要数据结构是model（模型），它提供定义完整计算图的方法。通过将图层添加到现有模型/计算图，我们可以构建出复杂的神经网络。

代码中使用的为

model = Sequential()

Sequential模型可以构建非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等等。

Sequential更准确的应该理解为堆叠，通过堆叠许多层，构建出深度神经网络。

Sequential模型的核心操作是添加layers（图层）

参考1:主页 - Keras 中文文档

参考2:理解keras中的sequential模型_云水木石-CSDN博客_sequential()

参考3:keras系列︱Sequential与Model模型、keras基本结构功能（一）_素质云笔记-CSDN博客_sequential

1、CNN

"""配置参数"""
N = 25000  # 最大词数
input_dim = N + 1  # 词库大小
output_dim = 100  # 词嵌入维度
kernel_size = 7  # 卷积核大小
units = filters = 64  # RNN神经元数量、卷积滤波器数量
maxlen = 100  # 序列长度
batch_size = 64  # 每批数据量大小
epochs = 20  # 训练最大轮数
verbose = 2  # 训练过程展示
patience = 10  # 没有进步的训练轮数
callbacks = [EarlyStopping('val_acc', patience=patience)]
C = [1.0,2.0]
num_classes = len(C)
DISCARD_FLAG = {'c', 'd', 'e',