![](https://img-blog.csdnimg.cn/20210908143029405.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
keras实训
文章平均质量分 55
来自 deeplizard 的 keras 视频课程的一些记录
非正经研究生
实际上是正经研究生,小镇青年,IT农民工,不偷井盖的老实人
展开
-
16)用微调的模型进行预测猫狗;keras;deeplizard
实训部分代码其实就一行predictions = model.predict(x=test_batches, steps=len(test_batches), verbose=0)cm = confusion_matrix(y_true=test_batches.classes, y_pred=np.argmax(predictions, axis=-1))cm_plot_labels = ['cat','dog']plot_confusion_matrix(cm=cm, classes=c原创 2021-09-23 12:02:08 · 138 阅读 · 0 评论 -
15) 训练 一个 微调之后的 vgg16 模型;keras; deeplizard
实训部分又来了,准备数据正式的训练 由此开始可见,我们 仅仅 经历了 5 个 epoch 就很 精确了,因为 vgg 早早就已经 在 猫狗数据集 上 训练过了!备注,这里 也嫩 看到, validation set 和 trainning set 的精度 都是 挺高了,记得我们之前自己的 model,其 validation set 的精度 不高, 说明 模型的 泛化能力 很不好,但是,这 vgg16 的 泛化能力 好多了。end参考vidblog...原创 2021-09-23 11:50:17 · 87 阅读 · 0 评论 -
keras 第10课开始的所有代码
!pip install kaggle!mkdir .kaggle!ls -al .kaggleimport jsontoken = {“username”:“paulciel”,“key”:“17f419f033b67d2305c5265c2caf687f”}with open(’/content/.kaggle/kaggle.json’, ‘w’) as file:json.dump(token, file)开始 kaggle 的一些配置!mkdir -p ~/.kaggle!cp /原创 2021-09-23 11:41:45 · 213 阅读 · 0 评论 -
14)网络微调; keras:deeplizard;
参考文章原创 2021-09-23 11:19:23 · 85 阅读 · 0 评论 -
keras实训的import 代码部分,专用 code snippets; keras;deeplizard;
import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Activation, Dense, Flatten, BatchNormalization, Conv2D, MaxPool2Dfrom tensorflow.keras.optimizers im原创 2021-09-23 11:03:00 · 166 阅读 · 0 评论 -
13)卷积网络预测新样本; keras:deeplizard;
开始搞注意:这里还是需要 之前训练的模型,所以,上一篇 文章 所做的事情,咱还得做一遍做好前面 的 重复工作之后,写今天的代码吧现在 开始 写 13 课 的代码我就直接 上 代码了## tt1 : 准备好 数据呀test_imgs, test_labels = next(test_batches)## tt2 : 看一看咱们 准备好的数据 是啥样plotImages(test_imgs)print(test_labels)## tt3 : 就开始 预测吧predictions =原创 2021-09-16 18:16:29 · 152 阅读 · 0 评论 -
12) 建立并训练一个 CNN;keras:deeplizard;
步骤弄好 kaggle 数据集 和 工程结构导入 kaggle 的 我的api key然后:开始 kaggle 的一些配置kaggle 的一些命令用kaggle 下载 数据集 ,然后 解压可以看到 train 的 结构是: 底下 有 两个 文件夹 : dog 和 cat然后 这俩 文件夹 里面 就是 很多图片了。下面开始 在本地组织工程结构主要是 先组织 数据集 的结构# 下面 是 按照 视频教程 ,进行 猫狗 文件夹的建立import numpy as npimport原创 2021-09-15 17:10:43 · 90 阅读 · 0 评论 -
11) 代码上的更新;keras:deeplizard;
tf 的升级导致一些函数的变化fit 和 predict 这两个函数 ,对待 无穷的重复序列(上文使用的 DirectoryIterator 就算是 一种 无穷重复序列)的方式一直在变化,如果没有在 那个 不会自动停止的 函数里面,传递 合适的参数,那么,你的训练过程就不会停止。本文出现 的 目的 就是为了告诉你,tf 有一些 代码 隔代不兼容的 问题。fit 函数 需要一个 新的 steps_per_epoch 参数一般来说,这个参数 ,设定为 100 / 5 = 20 ,这里的 100 就是原创 2021-09-13 17:59:22 · 122 阅读 · 0 评论 -
10) 为卷积网络准备图片;keras:deeplizard;
往 colab 里面 加载 kaggle 的数据好像只要小于 60 g 的 数据,你都可以这样干先去 kaggle 申请api key得到一个 kaggle.json 在 colab 安装 kaggle 建立 kaggle 文件夹 将之前下载 的 kaggle json 写入 colab 继续 配置 kaggle 指定kaggle数据集保存的位置 执行下列语句查看 Kaggle datasets 下载猫狗数据集 的 示范数据集 位于: https://www.kaggle原创 2021-09-13 17:35:55 · 94 阅读 · 0 评论 -
9) 保存和载入一个模型;keras:deeplizard;
模型的保存保存的结果: 包含 网络 的架构,优化器的状态,权重,网络的各种参数,这样的话,以后我们 load 之后,可以继续 trainning代码如何保存 一个 完整modelmodel.save(filePath)如果没有 models 这个目录,那么,会自动创建这个 目录如何 载入 一个 完整model就是如下的代码了:查看 weights查看 优化器如果我们仅仅想保存网络的架构呢?不保存 权重等其他参数。你想 重新 训练用 model.to_json()如果我们原创 2021-09-13 11:48:32 · 80 阅读 · 0 评论 -
0) keras 实训开篇:资源,视频,网站参考;keras:deeplizard;
他们的官方网站包含了 教程visitMehttps://deeplizard.com/但是 0913 不可访问他们 youtube channel深度学习基础一些简单而清晰的介绍watchMehttps://www.youtube.com/playlist?list=PLZbbT5o_s2xq7LwI2y8_QtvuXZedL6tQUkeras 实训 视频教程watchMehttps://www.youtube.com/playlist?list=PLZbbT5o_s2xrwRnXk原创 2021-09-13 09:48:02 · 118 阅读 · 0 评论 -
8) 为预测创建一个混淆矩阵;keras:deeplizard;
什么是混淆矩阵在机器学习领域和统计分类问题中,混淆矩阵(英语:confusion matrix)是可视化工具,特别用于监督学习,在无监督学习一般叫做匹配矩阵。矩阵的每一列代表一个类的实例预测,而每一行表示一个实际的类的实例。之所以如此命名,是因为通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了(比如说把一个类错当成了另一个)。混淆矩阵(也称误差矩阵[1])是一种特殊的, 具有两个维度的(实际和预测)列联表(英语:contingency table),并且两维度中都有着一样的类别的集合。维基百科来原创 2021-09-10 16:18:26 · 540 阅读 · 0 评论 -
7) 用kerasAPI完成模型的预测;keras:deeplizard;
推测这就是 已经被训练的模型 要做的事情做法创建 一个 test set这部分 代码 和 我们之前制作 tranning 数据 集合 是一样的。预测部分注意: np.argmax 将会 在 0,和 1 索引上 选择 一个 较大可能性 的 索引出来;注意: 这部分代码还没抄参考youtrube...原创 2021-09-09 18:34:28 · 99 阅读 · 0 评论 -
6) 建立验证集;keras:deeplizard;
什么是验证集增加泛化能力 的 集合;一定 是 和 training data 分开的。创建一个验证集加上:结果:说明在上面 的 结果 中,我们能看到 training 数据集 的 指标 数据 和 validation 数据集 的 指标 ,都是同步在 变化的,几乎这说明,我们的 trainning 过程中,没有发生 overfitting如果发生了 overfitting ,那么 ,你将会看到 validation 的指标 并不能跟着 trainning set 的 指标 的同步变化;原创 2021-09-09 18:25:17 · 178 阅读 · 0 评论 -
5)训练一个人工神经网络;keras:deeplizard;
继续上节课我们要在 一个 简单的数据集 上, 训练一个 简单的ann模型;代码# 这是 第 5 节课的内容model.compile(optimizer=Adam(learning_rate=0.0001), loss='sparse_categorical_crossentropy', metrics=['accuracy'])model.fit(x=scaled_train_samples, y=train_lables, batch_size=10, epochs=30, shuffle=原创 2021-09-08 18:36:19 · 102 阅读 · 0 评论 -
4)创建一个人工神经网络;keras:deeplizard;
colab 信息colab位置代码import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Activation, Densefrom tensorflow.keras.optimizers import Adamfrom tensorflow.keras.metrics import原创 2021-09-08 18:21:58 · 89 阅读 · 0 评论