ML——keras

keras官网：https://keras.io/api/models/

参考：https://www.cnblogs.com/zb-ml/p/12704637.html

　　　http://www.manongjc.com/article/92196.html

创建keras 模型有三种方法：Sequential model、Functional API、Model subclassing  （初学者常用Sequential model）

There are three ways to create Keras models:

• The Sequential model, which is very straightforward (a simple list of layers), but is limited to single-input, single-output stacks of layers (as the name gives away).
• The Functional API, which is an easy-to-use, fully-featured API that supports arbitrary model architectures. For most people and most use cases, this is what you should be using. This is the Keras "industry strength" model.
• Model subclassing, where you implement everything from scratch on your own. Use this if you have complex, out-of-the-box research use cases.

1、下载mnist数据集   

load_data function

【tf.keras.datasets.mnist.load_data(path="mnist.npz")】

returns(返回)

Tuple of Numpy arrays: (x_train, y_train), (x_test, y_test).  以元组的形式返回

x_train, x_test: uint8 arrays of grayscale image data with shapes (num_samples, 28, 28).

y_train, y_test: uint8 arrays of digit labels (integers in range 0-9) with shapes (num_samples,).

 

np_utils.to_categorical用于将标签转化为形如(nb_samples, nb_classes)的二值序列。

比如:

y_train = np_utils.to_categorical(y_train,10)
假设num_classes = 10。
如将[1,2,3,……4]转化成：
[[0,1,0,0,0,0,0,0]
[0,0,1,0,0,0,0,0]
[0,0,0,1,0,0,0,0]
……
[0,0,0,0,1,0,0,0]]
这样的形态。

 

Conv2D函数的用法：

 

tf.keras.layers.Conv2D(
    filters,
    kernel_size,
    strides=(1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1),
    activation=None,
    use_bias=True,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

padding（填充 0）：有“valid”或“same”

• 首先考虑VALID，这个意思就是说，程序按照指定的滤波器和步长进行滑动卷积，当出现剩余的像素值不够滤波器进行一次卷积时，就舍弃剩余所有像素。如下图所示：

如图所示输入像是1*10*10*1，filter大小是3*3*1*1，步长strides=[1,3,3,1]，根据公式（10-3）/3=3,所以最终图像大小是3*3*1，操作中去掉了最右边和最下边一行像素，因为它不够3*3滤波器进行一次卷积。

总结：padding为VALID模式时，很简单粗暴直接从原始图像的首段开始卷积，到最后不能匹配卷积核的部分直接舍去。

• 当padding=SAME时，处理方式与VALID有所不同，对于一个维度不够像素时，会进行填充0处理。至于如何填充，有两种情况。

情况一：相差偶数个元素时，比如一个10*10的图像使用3*3滤波器，以步长为3进行卷积，到了最后还剩1行(列)元素，也就是说还差2行元素，系统默认在整个图像的前后(左右)填充0；如果相差4个元素，就前后各加2个元素。已达到平均的目的。

最终输出4*4大小的图像(根据公式(10-3+2*2)/3+1=4)。

情况二：相差奇数个元素，比如一个11*11的图像使用3*3滤波器，以步长为3进行卷积，到了最后还剩2行(列)元素，也就是说还差1行元素，系统会在整个图像的前面(左边)填充0；如果相差3个元素，就前面加2个0元素，后面加1个0元素。

(输入图像是11*11，还相差1个元素，加在维度的前面(第一行，第一列),最终得到的还是4*4大小的图像。根据公式(10-3+2*1)/3+1=4)

总结：当padding为SAME时，系统会对图形进行填充0处理，不会舍弃任何一个元素。当相差偶数个元素时，在图像每一维的前面和后边添加各一般的0填充；当相差奇数个元素时，总是保持前面比后面多填充一个0元素

 

 

 

后续补充。。。。。