随笔分类 -  Keras

Keras-在预训练好网络模型上进行fine-tune
摘要：在深度学习的学习过程中，可能会用到一些已经训练好的模型，比如Alex Net，google Net，VGG,Resnet等，那我们怎样对这些训练好的模型进行fine-tune来提高准确率呢？ 参考文章：https://blog.keras.io/building-powerful-image-cla 阅读全文
posted @ 2018-01-12 11:17 起床oO 阅读(1882) 评论(0) 推荐(0)
Keras-图片预处理
摘要：图片预处理 图片生成器ImageDataGenerator 用以生成一个batch的图像数据，支持实时数据提升。训练时该函数无限生成数据，知道达到规定的epoch次数为止。 参数 featurewise_center：布尔值，使输入数据集去中心化（均值为0）按feature执行 samplewise 阅读全文
posted @ 2018-01-08 11:18 起床oO 阅读(1905) 评论(0) 推荐(0)
Keras常用层
摘要：Dense层：全连接层 Activatiion层：激活层，对一个层的输出施加激活函数 Dropout层：为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率(rate)随机断开输入神经元，Dropout层用于防止过拟合 Flatten层：Flatten层用来将输入“压平 阅读全文
posted @ 2018-01-08 10:51 起床oO 阅读(1682) 评论(0) 推荐(0)
Keras网络层之卷积层
摘要：卷积层 Cov1D层 一维卷积层（即时域卷积），用以在一维输入信号上进行邻域滤波。当使用该层作为首层时，需要提供关键字参数input_shape，例如（10,128）代表一个长为10的序列，序列中每个信号为128向量。而（None，128）代表变长的128维向量序列。 该层生成将输入信号与卷积核按照 阅读全文
posted @ 2017-09-21 17:54 起床oO 阅读(717) 评论(0) 推荐(0)
Keras网络层之常用层Core
摘要：常用层 常用层对应于core模块，core内部定义了一系列常用的网络层，包括全连接、激活层等 Dense层 Dense就是常用的全连接层，所实现的运算是output = activation(dot(input ,kernel) + bias ).其中activation是逐元素计算的激活函数，ke 阅读全文
posted @ 2017-09-21 16:13 起床oO 阅读(1275) 评论(0) 推荐(0)
Keras网络层之“关于Keras的层(Layer)”
摘要：关于Keras的“层”(Layer) 所有的Keras层对象都有如下方法： layer.get_weights()：返回层的权重(numpy array) layer.set_weights(weights)：从numpy array中将权重加载到该层中，要求numpy array的形状与layer 阅读全文
posted @ 2017-09-21 10:31 起床oO 阅读(2893) 评论(0) 推荐(0)
Keras之序贯(Sequential)模型
摘要：序贯模型(Sequential) 序贯模型是多个网络层的线性堆叠。 可以通过向Sequential模型传递一个layer的list来构造该模型： 也可以通过.add()方法一个个的将layer加入到模型中： 指定输入数据的Shape 模型需要知道输入数据的shape，因此，Sequential的第一 阅读全文
posted @ 2017-09-19 17:03 起床oO 阅读(791) 评论(0) 推荐(0)
Keras学习-1
摘要：本文基于http://keras-cn.readthedocs.io/en/latest/for_beginners/concepts/提及的知识总结，感谢作者做出的贡献，如有侵权将立即删除 符号计算 Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。无论是T 阅读全文
posted @ 2017-07-14 09:42 起床oO 阅读(662) 评论(0) 推荐(0)
Keras + Ubuntu环境搭建
摘要：安装 numpy 和 scipy 1.sudo apt-get install python-numpy python-scipy 2.sudo pip install Theano 如果没有安装pip，请先安装pip sudo pip install pyyaml sudo apt-get ins 阅读全文
posted @ 2017-07-13 17:40 起床oO 阅读(404) 评论(0) 推荐(0)