📅  最后修改于: 2020-12-11 04:50:07        🧑  作者: Mango

Keras是Python的开源深度学习框架。它是由Google的一位人工智能研究员Francois Chollet开发的。诸如Google，Square，Netflix，华为和Uber等领先组织目前正在使用Keras。本教程介绍了Keras的安装，深度学习的基础知识，Keras模型，Keras层，Keras模块，最后总结了一些实时应用程序。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...

📅  最后修改于: 2020-12-11 04:50:29        🧑  作者: Mango

深度学习是机器学习框架的主要子领域之一。机器学习是受人脑模型启发而进行的算法设计研究。深度学习在机器人，人工智能(AI)，音频和视频识别以及图像识别等数据科学领域正变得越来越流行。人工神经网络是深度学习方法的核心。深度学习受到Theano，TensorFlow，Caffe，Mxnet等各种库的支持，Keras是功能最强大且易于使用的Python库之一，它基于流行的深度学习库如TensorFlow，...

📅  最后修改于: 2020-12-11 04:51:20        🧑  作者: Mango

本章介绍了如何在计算机上安装Keras。在进行安装之前，让我们先了解Keras的基本要求。先决条件您必须满足以下要求-任何种类的操作系统(Windows，Linux或Mac)Python 3.5或更高版本。PythonKeras是基于Python的神经网络库，因此必须在您的计算机上安装Python 。如果Python是正常的机器上安装，然后打开终端，输入Python，你可以看到如下规定类似的反应，...

📅  最后修改于: 2020-12-11 04:52:01        🧑  作者: Mango

本章详细说明Keras后端实现TensorFlow和Theano。让我们逐一介绍每个实现。TensorFlowTensorFlow是一个开源的机器学习库，用于Google开发的数值计算任务。 Keras是建立在TensorFlow或Theano之上的高级API。我们已经知道如何使用pip安装TensorFlow。如果尚未安装，则可以使用以下命令进行安装-执行keras后，我们可以看到配置文件位于您...

📅  最后修改于: 2020-12-11 04:52:49        🧑  作者: Mango

深度学习是机器学习的一个不断发展的子领域。深度学习涉及逐层分析输入，其中每一层逐步提取有关输入的更高级别的信息。让我们以分析图像的简单场景为例。让我们假设您的输入图像被分成像素的矩形网格。现在，第一层提取像素。第二层了解图像中的边缘。下一步层从边缘构造节点。然后，下一个将从节点中找到分支。最后，输出层将检测到整个对象。在这里，特征提取过程从一层的输出转到下一个下一层的输入。通过使用这种方法，我们可...

📅  最后修改于: 2020-12-11 04:53:22        🧑  作者: Mango

Keras提供了一个完整的框架来创建任何类型的神经网络。 Keras具有创新性并且非常易于学习。它支持简单的神经网络到非常大和复杂的神经网络模型。在本章中，让我们了解Keras框架的体系结构以及Keras如何帮助深度学习。凯拉斯的体系结构Keras API可以分为三个主要类别-模型层核心模块在Keras中，每个人工神经网络都由Keras模型表示。反过来，每个Keras模型都是Keras层的组成，并...

📅  最后修改于: 2020-12-11 04:54:08        🧑  作者: Mango

如前所述，Keras模块包含预定义的类，函数和变量，它们对于深度学习算法很有用。让我们学习本章中Keras提供的模块。可用模块首先让我们看看Keras中可用的模块列表。初始化-提供的初始化函数的列表。我们可以在Keras层一章中详细了解它。在机器学习的模型创建阶段。正则化器-提供正则化器函数列表。我们可以在Keras Layers一章中详细了解它。约束-提供约束函数列表。我们可以在Keras La...

📅  最后修改于: 2020-12-11 04:55:56        🧑  作者: Mango

如前所述，Keras图层是Keras模型的主要构建块。每层接收输入信息，进行一些计算，最后输出转换后的信息。一层的输出将流入下一层作为其输入。让我们在本章中了解有关图层的完整详细信息。介绍Keras层需要输入的形状(input_shape)来了解输入数据的结构，初始化器设置每个输入的权重，最后通过激活器将输出转换为非线性。在这两者之间，约束条件限制并指定了要生成的输入数据权重的范围，并且正则化程序...

📅  最后修改于: 2020-12-11 04:56:30        🧑  作者: Mango

Keras允许创建我们自己的定制层。一旦创建了新层，就可以在任何模型中使用它，而没有任何限制。让我们在本章中学习如何创建新层。Keras提供了一个基础层类，即Layer，可以对其进行子分类以创建我们自己的自定义层。让我们创建一个简单的层，该层将根据正态分布查找权重，然后进行基本计算，以找到训练期间输入乘积及其权重的总和。步骤1：导入必要的模块首先，让我们导入必要的模块-这里，后端用于访问点函数。图...

📅  最后修改于: 2020-12-11 04:57:18        🧑  作者: Mango

如前所述，Keras模型代表实际的神经网络模型。 Keras提供了两种创建模型的模式：简单易用的Sequential API以及更灵活，更高级的Functional API。现在让我们学习本章中同时使用顺序API和功能API创建模型的方法。顺序的顺序API的核心思想是简单地按顺序排列Keras层，因此，它称为顺序API。大部分的ANN还具有顺序排列的层，并且数据以给定的顺序从一层流到另一层，直到数...

📅  最后修改于: 2020-12-11 04:58:26        🧑  作者: Mango

以前，我们研究了如何使用顺序和功能API创建模型的基础知识。本章介绍如何编译模型。编译是创建模型的最后一步。编译完成后，我们可以进入训练阶段。让我们学习一些概念，以更好地理解编译过程。失利在机器学习中，损失函数用于发现学习过程中的错误或偏差。 Keras在模型编译过程中需要损失函数。Keras在损失模块中提供了很多损失函数，它们如下-mean_squared_errormean_absolute_...

📅  最后修改于: 2020-12-11 04:58:48        🧑  作者: Mango

本章介绍Keras中的模型评估和模型预测。让我们首先了解模型评估。模型评估评估是在模型开发期间检查模型是否最适合给定问题和相应数据的过程。 Keras模型提供了一个函数，对模型进行评估。它有三个主要论点，测试数据测试数据标签详细-正确或错误让我们评估在上一章中使用测试数据创建的模型。执行以上代码将输出以下信息。测试精度为98.28％。我们创建了一个最佳模型来识别手写数字。从积极的方面来看，我们仍然...

📅  最后修改于: 2020-12-11 04:59:20        🧑  作者: Mango

让我们针对早期的数字识别问题，将模型从MPL修改为卷积神经网络(CNN)。CNN可以表示如下-该模型的核心特征如下-输入层由(1、8、28)个值组成。第一层，Conv2D包含32个过滤器和内核大小为(3,3)的“ relu”激活函数。第二层，Conv2D包含64个过滤器和内核大小为(3,3)的“ relu”激活函数。阈值层MaxPooling的池大小为(2，2)。第五层，平化被用来压平其所有输入到...

📅  最后修改于: 2020-12-11 04:59:58        🧑  作者: Mango

在本章中，让我们编写一个基于MPL的简单ANN进行回归预测。到目前为止，我们仅完成了基于分类的预测。现在，我们将尝试通过分析先前(连续)的值及其影响因素来预测下一个可能的值。回归MPL可以表示如下-该模型的核心特征如下-输入层由(13，)个值组成。第一层，Dense由64个单元和带有“正常”内核初始化程序的“ relu”激活函数。第二层，Dense由64个单元和“ relu”激活函数。输出层，De...

📅  最后修改于: 2020-12-11 05:00:33        🧑  作者: Mango

在本章中，让我们编写一个简单的基于RSTM的长期短期记忆(LSTM)进行序列分析。序列是一组值，其中每个值对应于特定的时间实例。让我们考虑一个简单的阅读句子的例子。阅读和理解句子包括按照给定的顺序阅读单词，并尝试在给定的上下文中理解每个单词及其含义，最后以积极或消极的态度理解句子。在此，将单词视为值，第一个值对应于第一个单词，第二个值对应于第二个单词等，并且将严格保持顺序。序列分析经常用于自然语言...