随笔分类 - Keras
摘要：Keras提供两种学习率适应方法，可通过回调函数实现。 1. LearningRateScheduler 该回调函数是学习率调度器. 参数 schedule：函数，该函数以epoch号为参数（从0算起的整数），返回一个新学习率（浮点数） 代码 2. ReduceLROnPlateau 当评价指标不在
阅读全文
摘要：1、目标函数 (1）mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()(2）mean_absolute_error / mae 绝对值均差，公式为(|y_pred-y_true|).mean()(3) mean_a
阅读全文
摘要：1、keras卷积操作中border_mode的实现 总结：如果卷积的方式选择为same,那么卷积操作的输入和输出尺寸会保持一致。如果选择valid,那卷积过后,尺寸会变小。 2.卷积的操作中,如果使用same,或valid这种模式,有时候会不灵活。必要的时候,需要我们自己去进行补零操作,庆幸的是k
阅读全文
摘要：. │ activations.py │ callbacks.py │ constraints.py │ initializations.py │ metrics.py │ models.py │ objectives.py │ optimizers.py │ regularizers.py │ __init__.py │ ├─applications | # ...
阅读全文
摘要：25000条评论 50%正 50%负 25000条评论 50%正 50%负 46个不同的新闻主题，训练集中每个主题都有至少10个样本 每个样本都是一个整数列表 单标签、多分类 猫狗图像数据集 2013年kaggle比赛 12500张猫 12500张狗 CNN 140万张标记图像， 1000个不同种类
阅读全文
摘要：输入模式与网络架构间的对应关系： 向量数据：密集连接网络（Dense层） 图像数据：二维卷积神经网络 声音数据（比如波形）：一维卷积神经网络（首选）或循环神经网络 文本数据：一维卷积神经网络（首选）或循环神经网络 时间序列数据：循环神经网络（首选）或一维卷积神经网络 其他类型的序列数据：循环神经网络
阅读全文
摘要：生成式对抗网络(GAN,generative adversarial network)由Goodfellow等人于2014年提出，它可以替代VAE来学习图像的潜在空间。它能够迫使生成图像与真实图像在统计上几乎无法区别，从而生成相当逼真的合成图像。 1.GAN是什么？ 简单来说就是由两部分组成，生成器
阅读全文
摘要：1.VAE和GAN 变分自编码器（VAE,variatinal autoencoder） 生成式对抗网络（GAN,generative adversarial network） 两者不仅适用于图像，还可以探索声音、音乐甚至文本的潜在空间； VAE非常适合用于学习具有良好结构的潜在空间，其中特定方向表
阅读全文
摘要：DeepDream是一种艺术性的图像修改技术，它用到了卷积神经网络学到的表示，DeepDream由Google于2015年发布。这个算法与卷积神经网络过滤器可视化技术几乎相同，都是反向运行一个卷积神经网络:对卷积神经网络的输入做梯度上升，以便将卷积神经网络靠顶部的某一层的某个过滤器激活最大化。但有以
阅读全文
摘要：一、不用Sequential模型的解决方案：keras函数式API 1.多输入模型 简单的问答模型 输入：问题 + 文本片段 输出：回答（一个词） #多输出模型的编译选项：损失加权 不同的损失值具有不同的取值范围，为了平衡不同损失的贡献，应该对loss_weights进行设置 2.多输出模型 一个网
阅读全文
摘要：最近看了吴恩达老师的深度学习课程，又看了python深度学习这本书，对深度学习有了大概的了解，但是在实战的时候， 还是会有一些细枝末节没有完全弄懂，这篇文章就用来总结一下用keras实现深度学习算法的时候一些我自己很容易搞错的点。 一、与序列文本有关 1.仅对序列文本进行one-hot编码 比如：使
阅读全文
摘要：import numpy as np np.random.seed(1337) # for reproducibility from keras.models import Sequential from keras.layers import Dense from keras.models import load_model # create some data X = np.lin...
阅读全文
摘要：1.将文本数据预处理为有用的数据表示 将文本分割成单词（token），并将每一个单词转换为一个向量 将文本分割成单字符（token），并将每一个字符转换为一个向量 提取单词或字符的n-gram（token），并将每个n-gram转换为一个向量。n-gram是多个连续单词或字符的集合 将向量与标记相关
阅读全文
摘要：1. one-hot编码 characters= '0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVW XYZ!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~ \t\n\r\x0b\x0c' one-hot 编码
阅读全文
摘要：原数据集：包含 25000张猫狗图像，两个类别各有12500 新数据集：猫、狗 （照片大小不一样） 训练集：各1000个样本 验证集：各500个样本 测试集：各500个样本 1= 狗，0= 猫 该问题为二分类问题，所以网咯最后一层是使用sigmoid激活的 单一单元，大小为1的Dense层。 los
阅读全文
摘要：VGG16内置于Keras，可以通过keras.applications模块中导入。 将VGG16 卷积实例化： weights：指定模型初始化的权重检查点、 include_top: 指定模型最后是否包含密集连接分类器。默认情况下，这个密集连接分类器对应于ImageNet的100个类别。如果打算使
阅读全文
摘要：定义模型两种方法： 训练神经网络模型： 【1】定义问题、收集数据集 处理二分类、多分类问题小tips （1）二分类：神经网络中间层可以使用带有relu激活的Dense堆叠，网络的最后一层是只有一个单元并使用sigmoid激活的Dense层，网络输出应该是0-1范围内的标量， 表示概率值。 （2）多分
阅读全文
摘要：问题描述：样本为所有恐龙名字，为了构建字符级语言模型来生成新的名称，你的模型将学习不同的名称模式，并随机生成新的名字。 在这里你将学习到： 如何存储文本数据以便使用rnn进行处理。 如何合成数据，通过每次采样预测，并将其传递给下一个rnn单元。 如何构建字符级文本生成循环神经网络。 为什么梯度修剪很
阅读全文
