keras文章/教程

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在代码结构上由面向对象方法编写,完全模块化并具有可扩展性,其运行机制和说明文档有将用户体验和使用难度纳入考虑,并试图简化复杂算法的实现难度 。Keras支持现代人工智能领域的主流算法,包括前馈结构和递归结构的神经网络,也可以通过封装参与构建统计学习模型 。在硬件和开发环境方面,Keras支持多操作系统下的多GPU并行计算,可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件 。

Win10系统下安装tensorflow(cpu)+keras+jupyter notebook运行环境

记录,自用 1、安装Anaconda(这里安装的是python3.6版本) 2、创建tensorflow的conda环境  1 conda create -n tensorflow python=3.6  3、切换到上一步创建的名为“tensorflow”的python解释器环境  1 activate tensorflow  4、分别安装tensorflow和keras 版本兼容性参考:http »

神经网络环境搭建,windows上安装theano和keras的流程

今天碰到有朋友问道怎么在windows下安装keras,正好我刚完成搭建,总结下过程,也算是一个教程吧,给有需要的朋友。   步骤一:安装python。 这一步没啥好说的,下载相应的python安装即可,版本2.7,3.4,3.5都可以,只是装了什么版本,后续的包都需要对应的版本。我亲测3.5和3.4。这里以3.4版为例吧。 装好后腰把python的路径加入path里面,包括scripts和lib »

使用keras构建简单的网络分类鸢尾花

Tensorflow =1.8.0 # -*- coding: utf-8 -*- from warnings import simplefilter simplefilter(action='ignore', category=FutureWarning) import numpy as np import pandas as pd from keras.models import Seque »

keras model.compile 的使用

语法结构:model.compile(loss='目标函数', optimizer=optimizer, metrics=['accuracy']) 1.目标函数,也叫损失函数,是网络中的性能函数,它是一个模型必备的两个参数之一。   目标函数由mse、mae、mape、msle、squared_hinge、hinge、binary_crossentropy、categorical_crossen »

使用Keras和OpenCV完成人脸检测和识别

一、数据集选择和实现思路 1、数据集说明:这里用到数据集来自于百度AI Studio平台的公共数据集,属于实验数据集,数据集本身较小因而会影响深度网络最终训练的准确率。数据集链接:[https://aistudio.baidu.com/aistudio/datasetdetail/8325]: 2、使用说明:数据集解压缩后有四类标注图像,此次只使用其中两类做一个简单的二分类,如有其他分类需求可自行 »

python中Keras下载mnist数据集

python中Keras下载mnist数据集 方法一: 直接写代码进行加载数据集,如果没有下载数据集,它会自动进行下载。示例: from keras.datasets import mnist (X_train, y_train), (X_test, y_test) = mnist.load_data() 等待下载完成即可。示例: 注:如果上面的方法下载失败,则可以使用手动下载的方法。 方法二 »

keras多输出多输出示例(keras教程一)

参考 keras官网 问题描述:通过模型对故障单按照优先级排序并制定给正确的部门。 输入: 票证的标题(文本输入), 票证的文本正文(文本输入),以及 用户添加的任何标签(分类输入) 输出: 优先级分数介于0和1之间(sigmoid 输出),以及 应该处理票证的部门(部门范围内的softmax输出) 1 import keras 2 import numpy as np 3 4 »

keras_8_优化器 Optimizers

1. 优化器的使用 优化器(optimizer)是编译Keras模型的所需的两个参数之一: from keras import optimizers model = Sequential() model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,))) model.add(Activation('tanh')) m »

Keras安装

1、 下载anaconda 镜像地址:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/    根据操作系统的不同选择不同版本的即可   2、安装  记得添加进系统变量   3、 pip install --user -i https://pypi.doubanio.com/simple tensorflow tensorflow   此 »

Keras如何构造简单的CNN网络

1. 导入各种模块 基本形式为: import 模块名 from 某个文件 import 某个模块   2. 导入数据(以两类分类问题为例,即numClass = 2) 训练集数据data 可以看到,data是一个四维的ndarray   训练集的标签   3. 将导入的数据转化我keras可以接受的数据格式  keras要求的label格式应该为binary class matrice »

Keras中间层输出的两种方式,即特征图可视化

训练好的模型,想要输入中间层的特征图,有两种方式: 1. 通过model.get_layer的方式。创建新的模型,输出为你要的层的名字。 创建模型,debug状态可以看到模型中,base_model/layers,图中红框即为layer名字,根据你想输出的层填写。最后网络feed数据后,输出的就是中间层结果。   2. 通过建立Keras的函数。 1 from keras import ba »

Keras 中的 verbose 参数

在 fit( ) 和 evaluate( ) 中 都有 verbose 这个参数,但都是表示日志显示的参数。 具体如下:  fit( ) 中 的 verbose 参数: verbose:日志显示verbose = 0 为不在标准输出流输出日志信息verbose = 1 为输出进度条记录verbose = 2 为每个epoch输出一行记录注意: 默认为 1    evaluate( ) 中 的 ve »

keras中添加正则化

一、总结 一句话总结: model.add(Dense(64, input_dim=64,kernel_regularizer=regularizers.l2(0.01))     1、keras正则化几个关键字? kernel_regularizer:施加在权重上的正则项,为keras.regularizer.Regularizer对象 bias_regularizer:施加在偏置向量上的正则项 »

keras 的 Deeplabv3+ 实现遇到的问题

代码大佬都已经写好了,具体参考:https://github.com/bonlime/keras-deeplab-v3-plus git clone 下来以后,按照指南要训练自己的数据集,只要设置好自己的数据大小和类别就可以了 from model import Deeplabv3 deeplab_model = Deeplabv3(input_shape=(384, 384, 3), clas »

keras实例学习-双向LSTM进行imdb情感分类

源码:https://github.com/keras-team/keras/blob/master/examples/imdb_bidirectional_lstm.py 及keras中文文档 1.imdb数据集  数据集来自 IMDB 的 25,000 条电影评论,以情绪(正面/负面)标记。评论已经过预处理,并编码为词索引(整数)的序列表示。为了方便起见,将词按数据集中出现的频率进行索引,例如 »