Keras学习笔记03——常用重要模块

最新推荐文章于 2024-05-29 19:59:39 发布
最新推荐文章于 2024-05-29 19:59:39 发布
阅读量1.9w 收藏 28
点赞数 3
分类专栏： Keras使用
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaozhuge080/article/details/52688613
版权
一、目标函数objectives编译模型必选两个参数之一可以通过传递预定义目标函数名字指定目标函数，也可以传递一个Theano/TensroFlow的符号函数作为目标函数，该函数对每个数据点应该只返回一个标量值，并以下列两个参数为参数：y_true：真实的数据标签，Theano/TensorFlow张量y_pred：预测值，与y_true相同shape的Theano/TensorFlow张量真
摘要由CSDN通过智能技术生成

一、目标函数objectives

编译模型必选两个参数之一

可以通过传递预定义目标函数名字指定目标函数，也可以传递一个Theano/TensroFlow的符号函数作为目标函数，该函数对每个数据点应该只返回一个标量值，并以下列两个参数为参数：

  • y_true：真实的数据标签，Theano/TensorFlow张量
  • y_pred：预测值，与y_true相同shape的Theano/TensorFlow张量

真实的优化目标函数是在各个数据点得到的损失函数值之和的均值。

可用的目标函数：

  • mean_squared_error或mse
  • mean_absolute_error或mae
  • mean_absolute_percentage_error或mape
  • mean_squared_logarithmic_error或msle
  • squared_hinge
  • hinge
  • binary_crossentropy（亦称作对数损失，logloss）
  • categorical_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为形如(nb_samples, nb_classes)的二值序列
  • sparse_categorical_crossentrop：如上，但接受稀疏标签。注意，使用该函数时仍然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度：np.expand_dims(y,-1)
  • kullback_leibler_divergence:从预测值概率分布Q到真值概率分
最低0.47元/天 解锁文章
小诸葛080
关注
  • 3
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Keras的主要模块介绍
杨鑫newlife的专栏
09-21 555
1.优化器： 优化器是调整每一个节点权值的方法，看一个例子 model = Sequential() model.add(Dense(64, init='uniform', input_dim=10)) model.add(Activation('tanh')) model.add(Activation('softmax')) sgd = SGD(lr...
adam函数 python_python – Tensorflow：关于adam优化器的困惑
weixin_36462387的博客
12-24 1115
我发现文档很清楚,我会在这里粘贴算法的伪代码：你的参数：> learning_rate：1e-4和1e-2之间是标准的> beta1：0.9默认情况下> beta2：默认为0.999> epsilon：默认为1e-08The default value of 1e-8 for epsilon might not be a good default in general. F...
Keras模块简述
中志融一的博客
08-08 627
17年8月份第3篇日志； 最近忙里偷闲开始进行一些数据挖掘的探索，不过我还有两年的充电时间，如何高效的利用这两年的时间，提高自己的技能，可以说成为了我实践的中重点。 Keras主要包括14个模块，本文主要对Models、layersInitializations、Activations、Objectives、Optimizers、Preprocessing、metrics共计8个模块分别展开介绍
常用的优化器汇总及keras实现
最新发布
m0_56180742的博客
05-29 302
【代码】常用的优化器汇总及keras实现。
keras中常用到的一些函数
qq_26496077的博客
03-10 246
from keras.utils.vis_utils import plot_model ＃　画出神经网络模型图 from keras.layers.core import Dense, Activation, Flatten, Dropout from keras.layers.convolutional import Convolution2D from keras.laye...
keras主要模块
Bebr的博客
12-26 490
keras是一个开源是的python深度学习库，可以基于theano或者tenserflow，下面大体介绍下keras的几个重要模块 重要的模块 1、优化器（optimizers） 优化器是调整每个节点权重的方法，看一个代码示例： model = Sequential()  model.add(Dense(64, init='uniform', input_dim=10)) model.add...
Keras学习笔记1
08-04
在深度学习领域，Keras是一个极其重要的工具，它作为一个高级神经网络API，允许开发者快速构建和实验深度学习模型。Keras的设计目标是易用性和快速迭代，它支持Theano、TensorFlow和CNTK这三种主要的后端引擎，提供...
TensorFlow 2 学习笔记——从底层函数解析到Keras应用（小白入门）
12-21
目录TensorFlowTensorFlow 基本函数TensorFlow原生代码搭建神经网络神经网络中的名词解释学习率激活函数损失函数欠拟合与过拟合优化器更新网络参数Keras 搭建神经网络基本函数Sequential搭建神经网络Class自定义函数...
Keras深度学习入门与实战课程
07-11
在本课程"Keras深度学习入门与实战"中，我们将深入探索深度学习的世界，借助强大的Keras库构建和训练复杂的神经网络模型。Keras是一个高级的神经网络API，它建立在TensorFlow、Theano和CNTK等后端之上，旨在简化深度...
《深度学习 —— keras快速开发入门》原书代码
07-26
《深度学习——Keras快速开发入门》是一本旨在引导初学者快速掌握深度学习技术的书籍，特别是使用Keras这一高效且易用的深度学习库。Keras是建立在TensorFlow、Theano或CNTK等后端之上的高级API，使得模型构建、训练...
Keras中部分重要函数介绍
Gavinmiaoc的博客
07-19 1199
Keras中文文档：http://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/ 导入包： from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras...
深度学习(part7)--Keras常用模块
小山羊的学习日志
08-17 367
学习笔记，仅供参考，有错必究
Keras深度学习入门-1
2202_76125312的博客
07-26 304
Keras主要包括14个模块包，可参见文档，下面主要对Models、Layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics八个模块包展开介绍。这是Keras中最主要的一个模块，用于对各个组件进行组装。
tf.keras.optimizers.Adam 优化器 示例
weixin_44493841的博客
11-23 4725
tf.keras.optimizers.Adam 优化器 示例 tf.keras.optimizers.Adam( learning_rate=0.001, # 学习率 默认 0.001 beta_1=0.9, # 一阶矩估计的指数衰减率。 默认 0.9 beta_2=0.999, # 二阶矩估计的指数衰减率。 默认 0.999 epsilon=1e-07, # 模糊因子。如果None，默认为K.epsilon()。该参数是非常小的数，其为了防止在实现中除以零。默认
sparse_categorical_crossentropy和categorical_crossentropy()损失函数比较
小姑仔的博客
05-17 3012
最近在使用sparse_categorical_crossentropy函数的时候，对其中的输入输出内容不是特别的理解， 首先我们看一下交叉熵损失函数的定义 H(p,q)=H(p(x))+Dkl(p∣∣q)=−∑i=1np(xi)ln(p(xi))+∑i=1np(xi)ln(p(xi)q(xi))H(p,q) = H(p(x))+D_{kl}(p||q) = -\sum_{i=1}^{n}p(x_{i})ln(p(x_{i}))+\sum_{i=1}^{n}p(x_{i})ln(\frac{p(x_{i})
交叉熵损失
梦想天空
09-24 4726
在分类的任务中，往往会使用交叉熵损失函数。对于二分类，使用的是binary_crossentropy，在多分类的任务中，使用的时sparse_categorical_crossentropy和categorical_crossentropy，本文将详细的介绍这三种损失函数
深度学习理论：Categorical crossentropy 损失函数
KS的博客
08-26 5689
分类交叉熵是一种用于多类分类任务的损失函数。在这些任务中，一个示例只能属于许多可能类别中的一个，模型必须决定哪个类别。形式上，它旨在量化两种概率分布之间的差异。
SparseCategoricalCrossentropy()与CategoricalCrossentropy()的区别
qq_40212975的博客
08-26 2155
tf.keras.losses.SparseCategricalCrossentropy()与CategricalCrossentropy()的区别： （1）如果labels是one-hot编码，比如目标是 one-hot 编码： 　　[[0, 1, 0], 　　 [1, 0, 0], 　　 [0, 0, 1]] 每条每一行就是label的编码，使用CategricalCrossentropy() （2）如果目标是数字编码，比如 [1,3,4] 每个数字即是label，使用SparseCategrical
用python代码实现Keras深度学习实战——利用单词向量构建情感分析模型
06-07
好的，以下是使用Keras构建情感分析模型的代码示例： 首先，需要导入需要的库： ```python import pandas as pd import numpy as np from keras.preprocessing.text import Tokenizer from keras.preprocessing.sequence import pad_sequences from keras.models import Sequential from keras.layers import Embedding, Conv1D, GlobalMaxPooling1D, Dense ``` 接着，读取数据集并进行预处理： ```python # 读取数据集 data = pd.read_csv('sentiment_analysis.csv') # 将文本转换为小写 texts = data['text'].apply(lambda x: x.lower()) # 将标签转换为数字：0表示负面情感，1表示正面情感 labels = np.array([0 if label == 'negative' else 1 for label in data['label']]) ``` 然后，进行单词向量化： ```python # 将文本转换为单词序列 tokenizer = Tokenizer(num_words=5000) tokenizer.fit_on_texts(texts) sequences = tokenizer.texts_to_sequences(texts) # 对单词序列进行填充，使其长度相同 padded_sequences = pad_sequences(sequences, maxlen=100) ``` 接下来，构建模型： ```python model = Sequential() # 添加嵌入层 model.add(Embedding(input_dim=5000, output_dim=100, input_length=100)) # 添加1D卷积层 model.add(Conv1D(filters=32, kernel_size=3, padding='same', activation='relu')) # 添加全局最大池化层 model.add(GlobalMaxPooling1D()) # 添加全连接层 model.add(Dense(units=64, activation='relu')) # 添加输出层 model.add(Dense(units=1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` 最后，训练模型并进行评估： ```python # 划分训练集和测试集 indices = np.arange(padded_sequences.shape[0]) np.random.shuffle(indices) padded_sequences = padded_sequences[indices] labels = labels[indices] train_size = int(0.8 * padded_sequences.shape[0]) train_X, test_X = padded_sequences[:train_size], padded_sequences[train_size:] train_y, test_y = labels[:train_size], labels[train_size:] # 训练模型 model.fit(train_X, train_y, epochs=10, batch_size=64) # 评估模型 loss, accuracy = model.evaluate(test_X, test_y) print('Test accuracy:', accuracy) ``` 完整的代码示例如下： ```python import pandas as pd import numpy as np from keras.preprocessing.text import Tokenizer from keras.preprocessing.sequence import pad_sequences from keras.models import Sequential from keras.layers import Embedding, Conv1D, GlobalMaxPooling1D, Dense # 读取数据集 data = pd.read_csv('sentiment_analysis.csv') # 将文本转换为小写 texts = data['text'].apply(lambda x: x.lower()) # 将标签转换为数字：0表示负面情感，1表示正面情感 labels = np.array([0 if label == 'negative' else 1 for label in data['label']]) # 将文本转换为单词序列 tokenizer = Tokenizer(num_words=5000) tokenizer.fit_on_texts(texts) sequences = tokenizer.texts_to_sequences(texts) # 对单词序列进行填充，使其长度相同 padded_sequences = pad_sequences(sequences, maxlen=100) # 构建模型 model = Sequential() # 添加嵌入层 model.add(Embedding(input_dim=5000, output_dim=100, input_length=100)) # 添加1D卷积层 model.add(Conv1D(filters=32, kernel_size=3, padding='same', activation='relu')) # 添加全局最大池化层 model.add(GlobalMaxPooling1D()) # 添加全连接层 model.add(Dense(units=64, activation='relu')) # 添加输出层 model.add(Dense(units=1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 划分训练集和测试集 indices = np.arange(padded_sequences.shape[0]) np.random.shuffle(indices) padded_sequences = padded_sequences[indices] labels = labels[indices] train_size = int(0.8 * padded_sequences.shape[0]) train_X, test_X = padded_sequences[:train_size], padded_sequences[train_size:] train_y, test_y = labels[:train_size], labels[train_size:] # 训练模型 model.fit(train_X, train_y, epochs=10, batch_size=64) # 评估模型 loss, accuracy = model.evaluate(test_X, test_y) print('Test accuracy:', accuracy) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值