云集网站哪个公司做的线上营销策划案例
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
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
- 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)))