📅  最后修改于: 2020-12-11 05:02:25        🧑  作者: Mango

深度学习本质上意味着用大量数据训练人工神经网络(ANN)。在深度学习中，网络本身是学习的，因此需要庞大的数据进行学习。在本教程中，您将学习在构建深度神经网络中使用Keras。我们将看一些实际的教学例子。本教程是为渴望在深度学习和神经网络框架领域中谋生的专业人士准备的。本教程旨在使您熟悉Keras框架概念的入门。先决条件在继续本教程中给出的各种类型的概念之前，我们假设读者已经对深度学习框架有基本的了...

📅  最后修改于: 2020-12-11 05:02:46        🧑  作者: Mango

近年来，深度学习已成为人工智能(AI)领域的流行语。多年来，我们一直使用机器学习(ML)来向机器赋予智能。近年来，由于深度学习比传统的机器学习技术具有更高的预测能力，因此深度学习已变得越来越流行。深度学习本质上意味着用大量数据训练人工神经网络(ANN)。在深度学习中，网络本身是学习的，因此需要庞大的数据进行学习。传统的机器学习本质上是一组解析数据并从中学习的算法。然后，他们利用这种学习来制定明智的...

📅  最后修改于: 2020-12-11 05:03:24        🧑  作者: Mango

正如引言中所述，深度学习是训练具有大量数据的人工神经网络的过程。经过培训后，网络将能够为我们提供看不见数据的预测。在进一步解释什么是深度学习之前，让我们快速了解一下用于训练神经网络的术语。神经网络人工神经网络的思想源于我们大脑中的神经网络。典型的神经网络由三层组成-输入，输出和隐藏层，如下图所示。这也称为浅层神经网络，因为它仅包含一个隐藏层。您可以在上述架构中添加更多隐藏层，以创建更复杂的架构。深...

📅  最后修改于: 2020-12-11 05:03:43        🧑  作者: Mango

在这种背景下，让我们现在开始创建项目。建立项目我们将通过Anaconda导航器使用Jupyter，用于我们的项目。由于我们的项目使用TensorFlow和Keras，因此您需要在Anaconda安装程序中安装它们。要安装Tensorflow，请在控制台窗口中运行以下命令：要安装Keras，请使用以下命令-现在您可以启动Jupyter。启动Jupyter启动Anaconda导航器时，将看到以下打开屏...

📅  最后修改于: 2020-12-11 05:04:04        🧑  作者: Mango

我们首先导入项目中代码所需的各种库。数组处理和绘图通常，我们使用numpy进行数组处理，使用matplotlib进行绘图。这些库是使用以下导入语句导入到我们的项目中的禁止警告由于Tensorflow和Keras都在不断修订，如果您不在项目中同步它们的相应版本，则在运行时会看到很多警告错误。由于它们会分散您对学习的注意力，我们将压制该项目中的所有警告。这是通过以下几行代码完成的：凯拉斯我们使用Ker...

📅  最后修改于: 2020-12-11 05:04:31        🧑  作者: Mango

我们的神经网络模型将由层的线性堆栈组成。为了定义这样的模型，我们称其为Sequential函数-输入层我们使用以下程序语句定义输入层，这是我们网络中的第一层：这将创建一个具有512个节点(神经元)和784个输入节点的层。如下图所示-请注意，所有输入节点都完全连接到第1层，即每个输入节点都连接到第1层的所有512个节点。接下来，我们需要为第1层的输出添加激活函数。我们将使用ReLU作为激活。使用以下...

📅  最后修改于: 2020-12-11 05:04:54        🧑  作者: Mango

使用一个称为compile的单个方法调用执行编译。编译方法需要几个参数。 loss参数被指定为类型‘categorical_crossentropy’。指标参数设置为“准确性”，最后我们使用亚当优化器来训练网络。此阶段的输出如下所示-现在，我们准备将数据输入到我们的网络中。加载数据中如前所述，我们将使用Keras提供的mnist数据集。当我们将数据加载到系统中时，我们会将其拆分为训练和测试数据。通...

📅  最后修改于: 2020-12-11 05:05:31        🧑  作者: Mango

在我们将数据提供给网络之前，必须将其转换为网络所需的格式。这称为为网络准备数据。它通常包括将多维输入转换为一维向量，并对数据点进行归一化。重塑输入向量我们的数据集中的图像包含28 x 28像素。必须将其转换为大小为28 * 28 = 784的一维向量，才能将其馈送到我们的网络中。我们通过在向量上调用reshape方法来实现。现在，我们的训练向量将由60000个数据点组成，每个数据点均由大小为784...

📅  最后修改于: 2020-12-11 05:05:49        🧑  作者: Mango

模型训练是在一个称为fit的单一方法调用中完成的，该方法只需要很少的参数，如下面的代码所示-fit方法的前两个参数指定训练数据集的特征和输出。纪元设置为20；我们假设训练将在最多20个时期(即迭代)中收敛。根据最后一个参数中指定的测试数据对训练后的模型进行验证。运行上述命令的部分输出如下所示-下面给出了输出的屏幕截图，供您快速参考-现在，当根据我们的训练数据对模型进行训练时，我们将评估其性能。...

📅  最后修改于: 2020-12-11 05:06:14        🧑  作者: Mango

为了评估模型性能，我们将评估方法称为-为了评估模型性能，我们将评估方法称为-我们将使用以下两个语句打印损失和准确性-运行上述语句时，将看到以下输出-这表明测试精度为98％，这应该是我们可以接受的。对我们意味着什么，在2％的情况下，手写数字将无法正确分类。我们还将绘制准确性和损失指标，以查看模型如何在测试数据上执行。绘图精度指标我们在训练过程中使用记录的历史记录来获取准确度指标图。以下代码将绘制每个...

📅  最后修改于: 2020-12-11 05:06:30        🧑  作者: Mango

预测看不见的数据中的数字非常容易。您只需将模型传递给包含未知数据点的向量来调用模型的predict_classes方法。方法调用在向量中返回预测，可以针对实际值测试0和1。这使用以下两个语句完成-最后，我们将使用以下两个程序语句来打印正确和不正确的预测的计数：运行代码时，您将获得以下输出-现在，当您对模型进行了令人满意的培训后，我们将其保存以备将来使用。...

📅  最后修改于: 2020-12-11 05:06:45        🧑  作者: Mango

我们将训练后的模型保存在当前工作目录中models文件夹中的本地驱动器中。要保存模型，请运行以下代码-运行代码后的输出如下所示-现在，当您保存训练有素的模型时，以后可以使用它来处理未知数据。...

📅  最后修改于: 2020-12-11 05:07:00        🧑  作者: Mango

要预测看不见的数据，首先需要将经过训练的模型加载到内存中。这是使用以下命令完成的-请注意，我们只是将.h5文件加载到内存中。这将在内存中设置整个神经网络以及分配给每一层的权重。现在，要对看不见的数据进行预测，请将数据加载到内存中，使其为一项或多项。像上面对训练和测试数据所做的那样，对数据进行预处理，以满足我们模型的输入要求。预处理后，将其馈送到您的网络。模型将输出其预测。...

📅  最后修改于: 2020-12-11 05:07:16        🧑  作者: Mango

Keras提供了用于创建深度神经网络的高级API。在本教程中，您学习了如何创建一个经过深度训练的深层神经网络，用于查找手写文本中的数字。为此创建了一个多层网络。 Keras允许您在每一层定义您选择的激活函数。使用梯度下降法，根据训练数据对网络进行了训练。在测试数据上测试了训练有素的网络预测看不见的数据的准确性。您学会了绘制准确性和误差指标。在对网络进行全面培训之后，您将保存网络模型以备将来使用。...

📅  最后修改于: 2020-12-11 05:07:33        🧑  作者: Mango

以下资源包含有关使用Keras进行深度学习的其他信息。请使用它们来获得有关此方面的更深入的知识。Keras深度学习的有用链接用Keras进行深度学习@ Wikipedia-用Keras进行的深度学习，其历史和其他各种术语已用简单的语言进行了解释。关于Keras深度学习的实用书籍要在此页面上注册您的网站，请发送电子邮件至...