文章

Keras 中级教程:构建复杂模型与数据增强

在上一篇文章中,我们介绍了使用Keras构建和训练简单深度学习模型的基础知识。在本篇文章中,我们将进一步探索如何使用Keras来构建更复杂的模型,以及如何通过数据增强来提高模型的泛化能力。一、函数式API在Keras中,我们可以使用函数式API来构建更复杂的模型,

Keras 初级教程:深度学习的开始

Keras是一个用于构建和训练深度学习模型的高级接口,它可以运行在多种底层引擎上,如TensorFlow、CNTK或Theano。Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型和函数式API模型。在这篇文章中,我们

Keras可视化神经网络架构的4种方法

我们在使用卷积神经网络或递归神经网络或其他变体时,通常都希望对模型的架构可以进行可视化的查看,因为这样我们可以在定义和训练多个模型时,比较不同的层以及它们放置的顺序对结果的影响。还有可以更好地理解模型结构、激活函数、模型参数形状(神经元数量)等keras中有一些现成的包可以创建我们的神经网络

训练深度学习神经网络的常用5个损失函数

神经网络在训练时的优化首先是对模型的当前状态进行误差估计,然后为了减少下一次评估的误差,需要使用一个能够表示错误函数对权重进行更新,这个函数被称为损失函数。损失函数的选择与神经网络模型从示例中学习的特定预测建模问题(例如分类或回归)有关。在本文中我们将介绍常用的一些损失函数,包括:回归

使用Keras Tuner进行自动超参数调优的实用教程

在本文中将介绍如何使用KerasTuner,并且还会介绍其他教程中没有的一些技巧,例如单独调整每一层中的参数或与优化器一起调整学习率等。KerasTuner是一个可帮助您优化神经网络并找到接近最优的超参数集的工具,它利用了高级搜索和优化方法,例如HyperBand搜索和贝叶斯优化。所以只需

基于LSTM-CNN的人体活动识别

人体活动识别(HAR)是一种使用人工智能(AI)从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。当人们执行某种动作时,人们佩戴的传感器(智能手表、手环、专用设备等)就会产生信号。这些收集信息的传感器包括加速度计、陀螺仪和磁力计。人类活动识别有各种各样的应用,从为病人和残疾人提供帮助到像游

已加载文章中没有匹配内容,试试其他关键词或清空搜索。