当前位置：首页 > news >正文

长治招聘网站建设wordpress重定向传递权重

news 2025/11/13 22:53:01

长治招聘网站建设,wordpress重定向传递权重,wordpress 函数api文件路径,公众号运营工作内容Keras Python 编写的高级神经网络 API，可以运行在TensorFlow上。核心特点用户友好：提供直观的 API，适合快速原型设计和实验。模块化：神经网络由可配置的模块（层、优化器、损失函数等）组成&#…

Keras

Python 编写的高级神经网络 API，可以运行在TensorFlow上。

核心特点

用户友好：提供直观的 API，适合快速原型设计和实验。
模块化：神经网络由可配置的模块（层、优化器、损失函数等）组成，像搭积木一样灵活组合。
易扩展：支持自定义层、损失函数和模型结构。
多后端支持：默认使用 TensorFlow 作为后端，也可切换至 Theano 或 CNTK（后两者已逐渐淘汰）。
跨平台：支持 CPU 和 GPU 加速，可无缝部署到服务器、移动设备等。

核心组件

在这里插入图片描述

模型（Model）- 构建方式

Sequential 模型（顺序模型）：Keras中的一种模型构建方式，用于按顺序逐层堆叠神经网络层（如Dense、Conv2D等）。

from keras.models import Sequential
from keras.layers import Dense # 下面介绍model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))

函数式 API：支持复杂模型（如多输入/输出、共享层）。

from keras import Input, Modelinputs = Input(shape=(100,))
x = Dense(64, activation='relu')(inputs)  # 输入维度100，输出64维
outputs = Dense(10, activation='softmax')(x)  # 输出10维（如分类任务的10个类别）
model = Model(inputs=inputs, outputs=outputs)

层（Layers）

常用层-类型

Dense（全连接）

Dense 是全连接层（Fully Connected Layer）的实现，它是神经网络中最基础的层类型之一。
Dense 层的每个神经元会与前一层的所有神经元相连，通过权重和偏置进行线性变换，并通常接一个非线性激活函数。

keras.layers.Dense(units,                  # 该层的神经元数量（输出维度）activation=None,        # 激活函数（如 'relu', 'sigmoid', 'softmax'）use_bias=True,          # 是否使用偏置项kernel_initializer='glorot_uniform',  # 权重初始化方法bias_initializer='zeros',             # 偏置初始化方法kernel_regularizer=None, # 权重的正则化（如L1/L2）bias_regularizer=None    # 偏置的正则化
)

作用

特征变换：将输入数据映射到更高维或更低维的空间。
非线性：通过激活函数引入非线性（如ReLU），使网络能学习复杂模式。
输出层：常用于分类任务的输出层（如Softmax）或回归任务（无激活函数）。
通过堆叠多个Dense层，可以构建深度全连接网络（如MLP），适用于表格数据、特征提取等任务。

Conv2D（二维卷积层）
LSTM（长短期记忆层）
Dropout
BatchNormalization

预处理层

Rescaling
TextVectorization（可直接嵌入模型）

训练配置

编译模型：指定优化器、损失函数和评估指标。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

训练与评估：

model.fit(X_train, y_train, epochs=10, batch_size=32)
loss, accuracy = model.evaluate(X_test, y_test)

应用场景

计算机视觉：图像分类（ResNet）、目标检测（YOLO）。
自然语言处理：文本分类、机器翻译（Transformer）。
时间序列分析：股票预测、异常检测（LSTM）。

优势与局限

优势

学习曲线平缓，适合初学者。
与 TensorFlow 生态深度集成（如 TF Serving、TF Lite）。
丰富的预训练模型（如 keras.applications 中的 VGG16、BERT）。

局限

底层灵活性不如原生 TensorFlow/PyTorch（但可通过自定义代码扩展）。
部分高级功能需依赖后端框架（如分布式训练）。

使用流程

在这里插入图片描述

选择模型、创建模型（序贯模型、函数式模型）
添加层级、构建网络层（基础层、核心层、卷积层、池化层、循环层、融合层）网络配置（激活函数、初始化方法、正则项、约束项）
模型编译 compile
数据填充、模型训练 fit
模型评估 evaluate
模型预测 predict
模型保存 save

手写数字识别实例

from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD
from keras.datasets import mnist
import numpy# 选择模型：序贯模型
model = Sequential()# 构建网络层：全连接层
model.add(Dense(500, input_shape(784,))) # 输入层，28*28=784
model.add(Activation('tanh')) # 激活函数是tanh
model.add(Dropout(0.5)) # 采用50%的dropoutmodel.add(Dense(500)) # 隐藏层节点500个
model.add(Activation('tanh'))
model.add(Dropout(0.5))model.add(Dense(10)) # 输出结果是10个类别，所以维度是10
model.add(Activation('softmax')) # 最后一层用softmax作为激活函数# 编译
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数
model.compile(loss='categorical_crossentropy', optimizer=sgd, class_model='categorical') # 模型编译，使用交叉熵作为loss函数# 训练
(X_train, y_train), (X_test, y_test) = mnist.load_data() # 获取手写数字数据 (num, 28, 28)数据
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1] * X_train.shape[2]) # 将维度拼接为784维
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1] * X_test.shape[2])
# 独热编码：将分类变量转换为易于处理的形式
# 将10个类别与y_train比较形成一个列向量，bool类型转为int
# (样本量，10)
Y_train = (numpy.arange(10) == y_train[:, None]).astype(int)
Y_test = (numpyp.arage(10) == y_test[:, None]).astype(int)# batch_size：批次大小 epochs：轮次 shuffle：是否随机打乱 verbose：日志信息 validation_split：自动切分验证集验证
model.fit(X_train, Y_train, batch_size=200, epochs=50, shuffle=True, verbose=0, validation_split=0.3)
model.evaluate(X_test, Y_test, batch_size=200, verbose=0)  # 评估# 输出
print("test set")
scores = model.evaluate(X_test,Y_test,batch_size=200,verbose=0)
print("")
print("The test loss is %f" % scores)
result = model.predict(X_test,batch_size=200,verbose=0)result_max = numpy.argmax(result, axis = 1) # 获得行最大值索引
test_max = numpy.argmax(Y_test, axis = 1)result_bool = numpy.equal(result_max, test_max)
true_num = numpy.sum(result_bool)  # 获得正确样本总数
print("")
print("The accuracy of the model is %f" % (true_num/len(result_bool)))