![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
keras
边城矢梦lmy
这个作者很懒,什么都没留下…
展开
-
0——keras学习笔记
目前深度学习应用范围很广,为了更快捷的学习使用深度学习的成果,目前正准备学习一下深度学习框架keras 该框架keras是基于Theano使用的一个框架,由于Theano使用较为麻烦,keras将其进行了封装,便于使用。 此外,最主要的一点是,研究科研期间做论文需要的实验数据需要使用深度学习神经网络的方法来进行,因此, 很有必要认真的学习一下这个基于pytho原创 2016-12-12 11:11:08 · 552 阅读 · 0 评论 -
2——快速开始Sequential模型
这一节学习了一下keras的sequential models的大致流程。 以下记录笔记使用的keras版本为1.0.0 流程分为以下几步: 一:The Model layer Getting started with the Keras Sequential model 首先获得keras的Sequential models原创 2016-12-12 11:13:20 · 15329 阅读 · 0 评论 -
3——快速开始泛型模型
Keras泛型模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。上边这句话说的比较绕,大致意思就是说,泛型模型接口做的事就是可以把模型中的某一层封装成一个可供外界调用的接口,这样对于模型而言,就可以方便的使用和调用这些接口来完成一系列工作。 首先介绍第一个模型,全连接网络: 在使用全连接网络时,有几点是值得注意的: (1)层对象接受张原创 2016-12-12 11:15:25 · 688 阅读 · 0 评论 -
4——卷积神经网络
资料来源: https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit 卷积神经网络通常是由三种层构成:卷积层,汇聚层(除非特别说明,一般就是最大值汇聚)和全连接层(简称FC)。ReLU激活函数也应该算是是一层,它逐元素地进行激活函数操作。在本节中将讨论在卷积神经网络中这些层通常是如何组合在一起的。原创 2016-12-12 11:16:29 · 370 阅读 · 0 评论 -
5——网络层各层网络的作用
Sequential是多个网络层的线性堆叠 全连接层: 该层的作用是将前项和后项的所有节点全部连接起来,该模式会带来大量的权值,主流的全连接层为Dense层 汇聚层Dropout: Dropout层的作用是随机的丢弃一部分的网络权值,所谓的丢弃就是指前向后相传播时都不更新权值,使用Dropout的目的是为了减轻权值对网络的作用,增加网络的泛化能力,防止过拟合 嵌入原创 2016-12-12 11:17:14 · 661 阅读 · 0 评论 -
1——初识keras
目前深度学习的研究被炒的不要不要的,作为数据挖掘信息检索方向的学生必须要凑一下热闹。听闻老师推荐了keras大法,必然要见识一下这个python模块的厉害之处。 通过网上资料得知,keras是基于theano的一个模块,能够实现对GPU的无缝结合(看起来很强大的样子),主要是基于深度学习的一些功能进行了封装。神经网络终于有机会能在这个硬件跟得上的时代大放光彩。 前几天easy_inst原创 2016-12-12 11:11:51 · 892 阅读 · 0 评论