《python深度学习》笔记---3.2-3.3、Keras 简介

《python深度学习》笔记---3.2-3.3、Keras 简介

一、总结

一句话总结：

不处理张量操作：Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块。 它不处理张量操作、求微分等低层次的运算

Keras张量操作由后端引擎实现：Keras 有三个后端实现：TensorFlow 后端、 Theano 后端和微软认知工具包（CNTK，Microsoft cognitive toolkit）后端。

 

 

1、TensorFlow运算库？

CPU：Eigen：在 CPU 上运行 时，TensorFlow 本身封装了一个低层次的张量运算库，叫作Eigen；

GPU：cuDNN：在GPU 上运行时，TensorFlow 封装了一个高度优化的深度学习运算库，叫作 NVIDIA CUDA 深度神经网络库（cuDNN）。

 

 

2、Keras定义模型两种方法？

Sequential类-线性堆叠：一种是使用 Sequential 类（仅用于层的线性堆叠，这是目前最常 见的网络架构）

函数式API-有向无环图：另一种是函数式 API（functional API，用于层组成的有向无环图，让你可以构 建任意形式的架构）。

这是一个利用 Sequential 类定义的两层模型（注意，我们向第一层传入了输 入数据的预期形状）。
from keras import models 
from keras import layers 
model = models.Sequential() 
model.add(layers.Dense(32, activation='relu', input_shape=(784,))) 
model.add(layers.Dense(10, activation='softmax')) 

用函数式 API 定义的相同模型
input_tensor = layers.Input(shape=(784,)) 
x = layers.Dense(32, activation='relu')(input_tensor) 
output_tensor = layers.Dense(10, activation='softmax')(x) 
model = models.Model(inputs=input_tensor, outputs=output_tensor) 
利用函数式API，你可以操纵模型处理的数据张量，并将层应用于这个张量，就好像这些 层是函数一样。

 

 

3、keras函数式API 特点？

操纵数据张量：利用函数式API，你可以操纵模型处理的数据张量，并将层应用于这个张量，就好像这些 层是函数一样。

input_tensor = layers.Input(shape=(784,)) 
x = layers.Dense(32, activation='relu')(input_tensor) 
output_tensor = layers.Dense(10, activation='softmax')(x) 
model = models.Model(inputs=input_tensor, outputs=output_tensor) 

 

4、keras函数式API 代码特点？

就是需要指定输入：x = layers.Dense(32, activation='relu')(input_tensor)

input_tensor = layers.Input(shape=(784,)) 
x = layers.Dense(32, activation='relu')(input_tensor) 
output_tensor = layers.Dense(10, activation='softmax')(x) 
model = models.Model(inputs=input_tensor, outputs=output_tensor) 

 

 

5、建立深度学习工作站？

推荐使用unix系统：无论在本地还是在云端运行，最好都使用UNIX 工作站。这看起来可能有点麻烦，但从长远来看，使用 Ubuntu 将会为你省去大量时间和麻烦。

三个后端皆可：使用 Keras 需要安装 TensorFlow、CNTK 或Theano（如果你希望能够在三个后端之间 来回切换，那么可以安装三个

 

 

 

二、内容在总结中

博客对应课程的视频位置：