原始页面
https://keras.io/getting_started/intro_to_keras_for_engineers/
首先,是一个困扰我好几天的问题,关于tensorflow and keras的对应版本:很多人配置环境时由于直接使用https://keras.io/zh/中文文档给出的pip install keras之类的命令导致版本与已安装的tensorflow版本不兼容,运行的时候出现各种古怪的问题,于是就有了这个版本对应页面的n次访问:https://docs.floydhub.com/guides/environments/
之后只要根据对应版本添加上==xxx(版本号)即可正常安装了。
但是这个是针对旧版的,页面只到tensorflow2.2为止,那么新版本的对应关系在哪里呢?keras官方页面居然也没有写,仔细看下发现,已经不需要寻找答案了,因为tensorflow2已经集成了keras,使用只需要
import numpy as np
import tensorflow as tf
from tensorflow import keras
TensorFlow 2是一个端到端的开源机器学习平台。您可以将其视为可微编程的基础结构层。它结合了四个关键能力:
在CPU、GPU或TPU上高效地执行低级张量操作。
计算任意可微表达式的梯度。
将计算扩展到许多设备,例如数百个GPU的集群。
将程序(“图形”)导出到外部运行时,如服务器、浏览器、移动和嵌入式设备。
Keras是TensorFlow 2的高级API:一个用于解决机器学习问题的可接近、高效的界面,重点是现代深度学习。它为以高迭代速度开发和发布机器学习解决方案提供了基本的抽象和构建块。安装和兼容性
Keras随TensorFlow 2打包为TensorFlow.Keras。要开始使用Keras,只需安装TensorFlow 2。
Keras/TensorFlow与以下各项兼容:
Python 3.5–3.8
Ubuntu 16.04或更高版本
Windows 7或更高版本
macOS 10.12.6(Sierra)或更高版本。
然后,就是最开始给出的页面的学习及翻译了。
Introduction to Keras for Engineers工程师用Keras简介
介绍
您是否是一名机器学习工程师,希望使用Keras在实际产品中提供深度学习功能?本指南将作为您对核心Keras API概念的首次介绍。
在本指南中,您将学习如何:
在训练模型之前准备好数据(将其转换为NumPy数组或tf.data.Dataset对象)。
进行数据预处理,例如特征规范化或词汇索引。
使用Keras函数API构建一个模型,将数据转化为有用的预测。
使用内置的Keras fit()方法训练您的模型,同时注意检查点、度量监控和容错。
在测试数据上评估您的模型,以及如何使用它来推断新数据。
自定义fit()的功能,例如构建一个GAN。
利用多个GPU加速培训。
通过超参数调整优化模型。
在本指南的最后,您将获得指向端到端示例的指针,以巩固这些概念:
图像分类
文本分类
信用卡欺诈检测
数据加载与预处理
神经网络不处理原始数据,如文本文件、编码JPEG图像文件或CSV文件。它们处理矢量化和标准化表示。
文本文件需要读入字符串张量,然后拆分成单词。最后,单词需要被索引并转换成整数张量。
图像需要被读取并解码为整数张量,然后转换为浮点值并标准化为小值(通常在0和1之间)。
CSV数据需要解析,数字特征转换为浮点张量,分类特征索引并转换为整数张量。然后,每个特征通常需要标准化为零均值和单位方差。
等
让我们从数据加载开始。