winter_python的博客

Keras运行迭代一定次数以后，速度越来越慢，甚至有可能出现MemoryError。这很可能是因为在循环迭代过程中增加了新的计算节点，导致计算节点越来越多，内存被占用完，速度变慢。判断是否在循环迭代过程中增加了新的计算节点，可以用下面的语句：import tensorflow as tftf.Graph.finalize()# ortf.get_default_graph().finalize()如果增加了新的计算节点，就会报错，如果没有报错，说明没有增加计算节点。每次keras运行后

Sample: 样本，数据集中的一个元素，一条数据。例1: 在卷积神经网络中，一张图像是一个样本。例2: 在语音识别模型中，一段音频是一个样本。Batch: 批，含有 N 个样本的集合。每一个 batch 的样本都是独立并行处理的。在训练时，一个 batch 的结果只会用来更新一次模型。一个 batch 的样本通常比单个输入更接近于总体输入数据的分布，batch 越大就越近似。然而，每个 batch 将花费更长的时间来处理，并且仍然只更新模型一次。在推理（评估/预测）时，建议条件允许的情况下..

模型可视化keras.utils.vis_utils 模块提供了一些绘制 Keras 模型的实用功能(使用 graphviz)。以下实例，将绘制一张模型图，并保存为文件：from keras.utils import plot_modelplot_model(model, to_file='model.png')plot_model 有 4 个可选参数:show_shapes (默认为 False) 控制是否在图中输出各层的尺寸。show_layer_names (默认为 True) 控制

约束项的使用constraints 模块的函数允许在优化期间对网络参数设置约束（例如非负性）。约束是以层为对象进行的。具体的 API 因层而异，但 Dense，Conv1D，Conv2D 和 Conv3D 这些层具有统一的 API。约束层开放 2 个关键字参数：kernel_constraint 用于主权重矩阵。bias_constraint 用于偏置。from keras.constraints import max_normmodel.add(Dense(64, kernel_const

正则化器的使用正则化器允许在优化过程中对层的参数或层的激活情况进行惩罚。 网络优化的损失函数也包括这些惩罚项。惩罚是以层为对象进行的。具体的 API 因层而异，但 Dense，Conv1D，Conv2D 和 Conv3D 这些层具有统一的 API。正则化器开放 3 个关键字参数：kernel_regularizer: keras.regularizers.Regularizer 的实例bias_regularizer: keras.regularizers.Regularizer 的实例act

目录初始化器的用法可用的初始化器InitializerZerosOnesConstantRandomNormalRandomUniformTruncatedNormalVarianceScalingOrthogonalIdentitylecun_uniformlecun_normalglorot_normalglorot_uniformhe_normalhe_uniform使用自定义初始化器初始化器的用法初始化定义了设置 Keras 各层权重随机初始值的方法。用来将初始化器传入 Keras 层的参数名

来源Keras 的应用模块（keras.applications）提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。当你初始化一个预训练模型时，会自动下载权重到 ~/.keras/models/ 目录下。可用的模型在 ImageNet 上预训练过的用于图像分类的模型：XceptionVGG16VGG19ResNet, ResNetV2, ResNeXtInceptionV3InceptionResNetV2MobileNetMob

来源常用数据集 DatasetsCIFAR10 小图像分类数据集50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 10 个类别。from keras.datasets import cifar10(x_train, y_train), (x_test, y_test) = cifar10.load_data()CIFAR100 小图像分类数据集50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 100 个类

目录回调函数使用CallbackBaseLoggerTerminateOnNaNProgbarLoggerHistoryModelCheckpointEarlyStoppingRemoteMonitorLearningRateSchedulerTensorBoardReduceLROnPlateauCSVLoggerLambdaCallback创建一个回调函数例: 记录损失历史例: 模型检查点来源回调函数使用回调函数是一个函数的合集，会在训练的阶段中所使用。你可以使用回调函数来查看训练模型的内在状态和

目录激活函数的用法预定义激活函数softmaxeluselusoftplussoftsignrelutanhsigmoidhard_sigmoidexponentiallinear高级激活函数来源激活函数的用法激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递 activation 参数实现：from keras.layers import Activation, Densemodel.add(Dense(64))model.add(Activation('tanh'))#

参考：Keras中文文档

目录可使用的评价函数binary_accuracycategorical_accuracysparse_categorical_accuracytop_k_categorical_accuracysparse_top_k_categorical_accuracy自定义评价函数评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。from keras import metricsmodel.compile(loss='mean_square

损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一：from keras import lossesmodel.compile(loss=losses.mean_squared_error, optimizer='sgd')# ormodel.compile(loss='mean_squared_error', optimizer='sgd')可用损失函数mean_squared_errormean_absolute_errormean_absolute_percent

目录1. 序列预处理2. 文本预处理3. 图片预处理1. 序列预处理填充序列pad_sequenceskeras.preprocessing.sequence.pad_sequences(sequences, maxlen=None, dtype='int32', padding='pre', truncating='pre', value=0.)将长为nb_samples的序列（标量序列）转化为形如(nb_samples,nb_timesteps)2D numpy array。如果提供了

参考:Keras入门简介>>> import keras>>> dir(keras.layers)['Activation', 'ActivityRegularization', 'Add', 'AlphaDropout', 'AtrousConvolution1D', 'AtrousConvolution2D', 'Average', 'AveragePooling1D', 'AveragePooling2D', 'AveragePooling3D', 'Avg

Sequential() 实例Sequential 采用多个网络层堆叠文章来源：Keras中文文档第一步，模型初始化from keras.models import Sequentialfrom keras.layers import Dense# step1 ：模型初始化model = Sequential()# 使用 .add() 来堆叠模型，构建所需的神经网络# 模型需要知道它所期望的输入的尺寸，顺序模型中的第一层需要接收关于其输入尺寸的信息。model.add(Dense(un

Keras简介Keras: 基于 Python 的深度学习库。Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。Keras安装根据已经安装的TensorFlow版本安装Keras： pip install Kears==2.3.1Keras使用参考：深度学习：Keras入门(一)之基础篇Keras的模块结构使用Keras搭建一个神经网络数据格

pandas.concatpandas.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True)Concatenate pandas objects along a particular axis with optional set logic along..

conda install -c mosek mosekWindows:在“c:\users_userid_”下创建文件夹“\mosek”将license “mosek.lic”放在该文件夹下，即可使用Unix/OS X:/home/userid/mosek/mosek.licWhere userid is your User ID on the computer.

在 Ananconda Prompt 中输入搜索pulp包anaconda search -t conda pulp2. 展示安装方式anaconda show conda-forge/pulp安装conda install --channel https://conda.anaconda.org/conda-forge pulp