本篇文章給大家分享的是有關(guān)如何進行Keras的分析,小編覺得挺實用的,因此分享給大家學習,希望大家閱讀完這篇文章后可以有所收獲,話不多說,跟著小編一起來看看吧。
成都創(chuàng)新互聯(lián)公司-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價比長豐網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式長豐網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們,業(yè)務(wù)覆蓋長豐地區(qū)。費用合理售后完善,十載實體公司更值得信賴。
Keras簡介
Keras是一個用Python編寫的高級神經(jīng)網(wǎng)絡(luò) API,它能夠以TensorFlow, CNTK, 或者 Theano 作為后端運行。Keras的開發(fā)重點是支持快速的實驗。能夠以最小的時延把你的想法轉(zhuǎn)換為實驗結(jié)果,是做好研究的關(guān)鍵。
Keras使用場景
允許簡單而快速的原型設(shè)計(由于用戶友好,高度模塊化,可擴展性)。
同時支持卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò),以及兩者的組合。
在 CPU 和 GPU 上無縫運行。
用戶友好。Keras 是為人類而不是為機器設(shè)計的 API。它把用戶體驗放在首要和中心位置。Keras 遵循減少認知困難的最佳實踐:它提供一致且簡單的 API,將常見用例所需的用戶操作數(shù)量降至最低,并且在用戶錯誤時提供清晰和可操作的反饋。
模塊化。 模型被理解為由獨立的、完全可配置的模塊構(gòu)成的序列或圖。這些模塊可以以盡可能少的限制組裝在一起。特別是神經(jīng)網(wǎng)絡(luò)層、損失函數(shù)、優(yōu)化器、初始化方法、激活函數(shù)、正則化方法,它們都是可以結(jié)合起來構(gòu)建新模型的模塊。
易擴展性。 新的模塊是很容易添加的(作為新的類和函數(shù)),現(xiàn)有的模塊已經(jīng)提供了充足的示例。由于能夠輕松地創(chuàng)建可以提高表現(xiàn)力的新模塊,Keras 更加適合高級研究。
基于 Python 實現(xiàn)。Keras 沒有特定格式的單獨配置文件。模型定義在 Python 代碼中,這些代碼緊湊,易于調(diào)試,并且易于擴展。
上手 Keras
Keras的核心數(shù)據(jù)結(jié)構(gòu)是model,一種組織網(wǎng)絡(luò)層的方式。最簡單的模型是Sequential 順序模型,它由多個網(wǎng)絡(luò)層線性堆疊。對于更復(fù)雜的結(jié)構(gòu),你應(yīng)該使用Keras函數(shù)式API,它允許構(gòu)建任意的神經(jīng)網(wǎng)絡(luò)圖。Sequential 模型如下所示:
from keras.models import Sequentialmodel = Sequential()
可以簡單地使用 .add() 來堆疊模型:
from keras.layers import Densemodel.add(Dense(units=64, activation='relu', input_dim=100))model.add(Dense(units=10, activation='softmax'))
在完成了模型的構(gòu)建后, 可以使用 .compile() 來配置學習過程:
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
如果需要,你還可以進一步地配置你的優(yōu)化器。Keras的核心原則是使事情變得相當簡單,同時又允許用戶在需要的時候能夠進行完全的控制(終極的控制是源代碼的易擴展性)。
model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
現(xiàn)在,你可以批量地在訓練數(shù)據(jù)上進行迭代了:
# x_train 和 y_train 是 Numpy 數(shù)組 -- 就像在 Scikit-Learn API 中一樣。model.fit(x_train, y_train, epochs=5, batch_size=32)
或者,你可以手動地將批次的數(shù)據(jù)提供給模型:
model.train_on_batch(x_batch, y_batch)
只需一行代碼就能評估模型性能:
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者對新的數(shù)據(jù)生成預(yù)測:
classes = model.predict(x_test, batch_size=128)
以上就是如何進行Keras的分析,小編相信有部分知識點可能是我們?nèi)粘9ぷ鲿姷交蛴玫降?。希望你能通過這篇文章學到更多知識。更多詳情敬請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。