DeepLearning tutorial（6）易用的深度学习框架Keras简介

最新推荐文章于 2024-03-07 15:51:39 发布
VIP文章 最新推荐文章于 2024-03-07 15:51:39 发布
阅读量6.5w 收藏 142
点赞数 27
分类专栏： Machine Learning 文章标签： 深度学习框架 keras theano cnn
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/u012162613/article/details/45397033
版权

致读者：本文写于keras开发初期，目前keras已经迭代到1.0版本，很多API都发生了较大的变化，所以本文的粘贴的一些代码可能已经过时，在我的github上有更新后的代码，读者需要的话可以看github上的代码：https://github.com/wepe/MachineLearning

之前我一直在使用Theano，前面五篇Deeplearning相关的文章也是学习Theano的一些笔记，当时已经觉得Theano用起来略显麻烦，有时想实现一个新的结构，就要花很多时间去编程，所以想过将代码模块化，方便重复使用，但因为实在太忙没有时间去做。最近发现了一个叫做Keras的框架，跟我的想法不谋而合，用起来特别简单，适合快速开发。

1. Keras简介

Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU。使用文档在这：http://keras.io/，这个框架貌似是刚刚火起来的，使用上的问题可以到github提issue:https://github.com/fchollet/keras　

下面简单介绍一下怎么使用Keras，以Mnist数据库为例,编写一个CNN网络结构，你将会发现特别简单。

2. Keras里的模块介绍

  • Optimizers

    顾名思义，Optimizers包含了一些优化的方法，比如最基本的随机梯度下降SGD,另外还有Adagrad、Adadelta、RMSprop、Adam，一些新的方法以后也会被不断添加进来。

    keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.9, nesterov=False)

    上面的代码是SGD的使用方法，lr表示学习速率,momentum表示动量项，decay是学习速率的衰减系数(每个epoch衰减一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。其他的请参考文档。

  • Objectives

    这是目标函数模块，keras提供了mean_squared_error，mean_absolute_error
    ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy这几种目标函数。

    这里binary_crossentropy 和 categorical_crossentropy也就是常说的logloss.

  • Activations

    这是激活函数模块，keras提供了linear、sigmoid、hard_sigmoid、tanh、softplus、relu、softplus，另外softmax也放在Activations模块里(我觉得放在layers模块里更合理些）。此外，像LeakyReLU和PReLU这种比较新的激活函数，keras在keras.layers.advanced_activations模块里提供。

  • Initializations

    这是参数初始化模块，在添加layer的时候调用init进行初始化。keras提供了uniform、lecun_uni

最低0.47元/天 解锁文章
wepon_
关注
  • 27
    点赞
  • 踩
  • 142
    收藏
    觉得还不错? 一键收藏
  • 78
    评论
专栏目录
keras数据集
03-14
在线下载较慢 直接提供三个常见.npv 文件 boston_housing imdb reuters
keras中文文档.zip
05-10
Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。 本资源为keras的中文文档。内含网页版制作教程。相信对大家会有帮助。
深度学习——深度学习框架
最新发布
2201_76007274的博客
03-07 2102
目前常用的深度学习框架有PyTorch、Theano、TensorFlow、Keras、Caffe、MXNet、CNTK、PaddlePaddle。这些深度学习框架被应用于计算机视觉、自然语言处理、语音识别、机器学习等多个领域。
keras vgg 代码实例
04-30
keras vgg 训练自己的数据.详细的观看 https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
keras代码_keras_
09-30
KERAS学习用的例子的代码，帮助学习KERAS的代码
keras示例程序
10-23
addition_rnn.py 执行序列学习以执行两个数字（作为字符串）的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络，以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化VGG16的过滤器。 conv_lstm.py 演示使用卷积LSTM网络。 deep_dream.py 深深的梦想在克拉斯。 image_ocr.py 训练一个卷积堆叠，后跟一个循环堆栈和一个CTC logloss函数来执行光学字符识别（OCR）。 imdb_bidirectional_lstm.py 在IMDB情绪分类任务上训练双向LSTM。 imdb_cnn.py 演示使用Convolution1D进行文本分类。 imdb_cnn_lstm.py 在IMDB情绪分类任务上训练一个卷积堆栈，后跟一个循环堆栈网络。 imdb_fasttext.py 在IMDB情绪分类任务上训练一个FastText模型。 imdb_lstm.py 在IMDB情绪分类任务上训练一个LSTM。 lstm_benchmark.py 比较IMDB情绪分类任务上不同的LSTM实现。 lstm_text_generation.py 生成尼采文字的文字。 mnist_acgan.py 在MNIST数据集上实现AC-GAN（辅助分类器GAN） mnist_cnn.py 在MNIST数据集上训练一个简单的convnet。 mnist_hierarchical_rnn.py 训练一个分级RNN（HRNN）来分类MNIST数字。 mnist_irnn.py Le等人在“以简单的方式初始化整流线性单元的反复网络”中再现具有逐像素连续MNIST的IRNN实验。 mnist_mlp.py 在MNIST数据集上训练一个简单的深层多层感知器。 mnist_net2net.py 在“Net2Net：通过知识转移加速学习”中再现带有MNIST的Net2Net实验。 mnist_siamese_graph.py 从MNIST数据集中的一对数字上训练暹罗多层感知器。 mnist_sklearn_wrapper.py 演示如何使用sklearn包装器。 mnist_swwae.py 列出了一个堆栈，其中AutoEncoder在MNIST数据集上的剩余块上构建。 mnist_transfer_cnn.py 转移学习玩具的例子。 neural_doodle.py 神经涂鸦。 neural_style_transfer.py 神经样式转移。 pretrained_word_embeddings.py 将预训练的词嵌入（GloVe embeddings）加载到冻结的Keras嵌入层中，并使用它在20个新闻组数据集上训练文本分类模型。 reuters_mlp.py 在路透社newswire主题分类任务上训练并评估一个简单的MLP。 stateful_lstm.py 演示如何使用有状态的RNN有效地建模长序列。 variational_autoencoder.py 演示如何构建变体自动编码器。 variational_autoencoder_deconv.py 演示如何使用反褶积层使用Keras构建变体自动编码器。
深度学习框架Keras框架的介绍
抓饭不吃皮牙子
10-12 906
深度学习已经成为了现代人工智能领域的重要技术，而使用适当的深度学习框架可以大大简化模型的开发和训练过程。在众多深度学习框架中，Keras框架以其简洁、易用的特点受到了广泛的关注和使用。本文将介绍Keras框架的基本概念、特点以及如何使用Keras构建深度学习模型。Keras是一个高层次的深度学习框架，它建立在底层的深度学习库（如TensorFlow、Theano和CNTK）之上，提供了更简单、更易用的接口。Keras的设计目标是让用户能够快速构建和调试深度学习模型，同时保持灵活性和可拓展性。
Keras入门
qy13913453196的博客
08-28 2万+
注解：关于Keras本人是小白，此次也是因为学习其他东西，需要了解Keras的相关知识，所以稍微整理一下........ http://www.cnblogs.com/lc1217/p/7132364.html 为何要用Keras 如今在深度学习大火的时候，第三方工具也层出不穷，比较出名的有Tensorflow，Caffe，Theano，MXNet，在如此多的第三方框架中频繁的更换无疑是很低...
深度学习框架-Keras：特点、架构、应用和未来发展趋势
网络技术联盟站
05-22 1572
深度学习是一种新兴的技术，已经在许多领域中得到广泛的应用，如计算机视觉、自然语言处理、语音识别等。Keras是深度学习的一种重要框架，它具有许多优点，如简单易用、模块化、多后端支持等。Keras核心是Keras的主要库，它提供了一些高级API，如Sequential和Functional API，可以方便地构建和训练神经网络模型。语音识别是另一个深度学习的重要领域，Keras可以在语音识别中得到广泛应用。Keras是一种简单易用的深度学习框架，它提供了一些高级API，可以方便地构建和训练神经网络模型。
Keras简介
魔筝炼药师
03-26 5655
Keras介绍 Keras是一个开放源码的高级深度学习程序库，使用Python编写，能够运行在TensorFlow或Theano之上。其主要作者和维护者是Google公司的工程师，以MIT开放源码方式授权。Keras使用最少的程序代码、花费最少的时间就可以建立深度学习模型，进行训练、评估准确率，并进行预测。相对来说，使用TensorFlow这样低级的链接库虽然可以完全控制各种深度学习模型的细节，...
DeepLearning tutorial（7）深度学习框架Keras的使用-进阶-附件资源
03-05
DeepLearning tutorial（7）深度学习框架Keras的使用-进阶-附件资源
一天搞懂深度学习Deep Learning Tutorial
11-02
一天搞懂深度学习Deep Learning Tutorial
深度学习算法教程(Deeplearning Algorithms Tutorial) 完整版PDF
04-24
深度学习是机器学习的一个新领域，它的出现使机器学习朝着它的原始目标——人工智能，更近了一步。深度学习会学习关于文本、图像、声音等数据的多层表示和抽象，这些表示和抽象能够帮助我们更好的理解数据。 最近...
Keras-Tutorials:使用Keras框架进行深度学习简介
05-19
Keras教程基于Keras框架的深度学习简介。 这些教程是Nathan Lintz的直接移植。入门Keras教程最好在Docker中运行。 首先，构建Docker容器： $ docker build -t keras-notebook .使用以下命令运行非GPU容器： docker ...
大数据竞赛平台——Kaggle 入门
热门推荐
wepon的专栏
12-14 29万+
大数据竞赛平台——Kaggle 入门篇 这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友，对于已经在Kaggle上参赛过的网友来说，大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle，第一部分简单介绍Kaggle，第二部分将展示解决一个竞赛项目的全过程。如有错误，请指正！ 1、Kaggle简介 Kaggle是一个数据分析的竞赛平台，网址：ht
交叉熵代价函数
wepon的专栏
03-13 15万+
本文是《Neural networks and deep learning》概览 中第三章的一部分，讲machine learning算法中用得很多的交叉熵代价函数。1.从方差代价函数说起代价函数经常用方差代价函数（即采用均方误差MSE），比如对于一个神经元（单输入单输出，sigmoid函数）,定义其代价函数为： 其中y是我们期望的输出，a为神经元的实际输出【 a=σ(z), where z=wx+
正则化方法：L1和L2 regularization、数据集扩增、dropout
wepon的专栏
03-14 12万+
本文是《Neural networks and deep learning》概览 中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程，网络在training data上的error渐渐减小，但是在验证集上
DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）
wepon的专栏
01-29 11万+
本文主要讲解将CNN应用于人脸识别的流程，程序基于python+numpy+theano+PIL开发，采用类似LeNet5的CNN模型，应用于olivettifaces人脸数据库，实现人脸识别的功能，模型的误差降到了5%以下。本程序只是个人学习过程的一个toy implement，模型可能存在overfitting，因为样本小，这一点也无从验证。 但是，本文意在理清程序开发CNN模型的具体步骤，特别是针对图像识别，从拿到图像数据库，到实现一个针对这个图像数据库的CNN模型，我觉得本文对这些流程的实现具有参考
keras tsne
08-23
Keras-tSNE 是一个基于 Keras 框架的 t-SNE (t-Distributed Stochastic Neighbor Embedding) 的实现。t-SNE 是一种降维算法，用于将高维数据映射到低维空间，以便更好地可视化和分析数据。 Keras-tSNE 提供了一个简单且易于使用的接口，可以很方便地将数据集传递给模型，并获取其在二维空间中的表示。使用 Keras-tSNE 的步骤如下： 1. 准备数据集：首先，需要准备一个数据集，可以是一个 NumPy 数组或 Pandas 数据帧。确保数据集的维度是二维或更高。 2. 安装 Keras-tSNE：在开始前，需要安装 Keras-tSNE 的库。可以通过使用 pip 命令进行安装。 3. 导入必要的库：在代码中，首先需要导入所需的库，如 Keras、Keras-tSNE、NumPy 等。 4. 创建和训练模型：在代码中，根据需求创建一个 Keras 模型，可以是一个分类模型、回归模型或其他类型的模型。利用数据集对模型进行训练。 5. 使用 t-SNE 进行降维：在代码中导入 Keras-tSNE 库，使用 t-SNE 函数将数据集映射到二维空间。可以通过设置不同的参数来获取不同的映射结果。 6. 可视化降维结果：最后，将映射得到的结果在二维空间中进行可视化。可以使用 Matplotlib 或其他可视化库来实现。 Keras-tSNE 的使用非常简单，可以根据自己的需求对其进行定制和扩展。它提供了一个快速且高效的方法，用于将高维数据可视化，并帮助我们更好地理解和分析数据。无论是在聚类分析、特征提取还是数据可视化方面，Keras-tSNE 都是一个有用的工具。

“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 78
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