教程 | Tensorflow keras 极简神经网络构建与使用

  • 时间:
  • 浏览:0
  • 来源:5分排列3_5分排列3官网

损失函数

衡量模型在训练期间的准确率。当我们当我们希望尽因为缩小该函数,以“引导”模型朝着正确的方向优化。

优化器

根据模型想看 的数据及其损失函数更新模型的最好的土办法 。

指标

用于监控训练和测试步骤。以下示例使用准确率,即图像被正确分类的比例

Tensorflow keras极简神经网络构建教程

Keras介绍

Keras (κέρας) 在希腊语中意为号角,它来自古希腊和拉丁文学中的八个多文学形象。发布于2015年,是一套高级API框架,其默认的backend是tensorflow,否则可不必须支持CNTK、Theano、MXNet作为backend运行。其特点是语法简单,容易上手,提供了大量的实验数据接口与预训练网络接口,最初是谷歌的一位工程师开发的,非常适合快速开发。Tensorflow确实是非常流行的深度图学习框架,否则tensorflow开发必须了解计算图与自动微分相关技术,对于删剪没人任何深度图学习基础的人与非 八个多很好的选择,而keras完与非 为零基础的人准备,它复杂化了tensorflow中计算图、会话等基本概念,通过Sequential与功能API八个多组件实现网络搭建,通过简单的添加或多或少层就可不必须快速搭建神经网络模型。

隐藏层120个节点

评估模型

模型在测试集数据上运行:



对数据re-scale到0~1.0之间,对标签进行了one-hot编码,代码如下:

输出层10个节点

否则按顺序添加模型各层

训练模型

训练神经网络模型必须执行以下步骤:

将训练数据馈送到模型中,在本示例中为 train_images 和 train_labels 数组。

模型学习将图像与标签相关联。当我们当我们要求模型对测试集进行预测,在本示例中为 test_images 数组。当我们当我们会验证预测结果与非 与 test_labels 数组中的标签一致。

要现在结束训练,请调用 model.fit 最好的土办法 ,使模型与训练数据“拟合”:

使用模型进行预测

建立模型

构建神经网络

编译模型

模型还必须再进行几项设置才可不必须现在结束训练。什么设置会添加到模型的编译步骤:

原文发布时间为:2018-12-9

本文作者: gloomyfish

本文来自云栖社区合作协议协议伙伴“ OpenCV学堂”,了解相关信息可不必须关注“CVSCHOOL”微信公众号

编译与训练模型

输入层为28x28=78八个多输入节点

首先必须定义模型:

通过下面的代码可不必须显示手写数字图像:

卷积神经网络

mnist数据转换为四维

其中one-hot编码函数如下:

Mnist数据集准备

当我们当我们以mnist数据集为例,构建八个多神经网络实现手写数字的训练与测试,首先当我们当我们必须认识一下mnist数据集,mnist数据集有6万张手写图像,1万张测试图像。Keras通过datase来下载与使用mnist数据集,下载与读取的代码如下:

创建模型并构建CNN各层