文章
Keras 高级教程:模型微调和自定义训练循环
我们在前两篇文章中介绍了如何使用Keras构建和训练深度学习模型的基础和中级知识。在本篇文章中,我们将探讨一些更高级的主题,包括模型微调和自定义训练循环。一、模型微调模型微调(Finetuning)是深度学习中一种常见的技术,用于在一个预训练的模型(例如,ImageNet上
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
编译 Keras 模型
本篇文章译自英文文档CompileKerasModels(https://link.segmentfault.com/?encZ75748NxchaPBdijuF7xLQ%3D%3D.81hYdrCnh4Fd9Mjd5el0okK3JlQn0oEpY6dbMx6fIWyW8EbP0len
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
对彩色花图像进行分类-基于R语言的Keras实现
该案例摘自《Keras深度学习入门、实战及进阶》第四章综合案例内容。该案例的数据来源于Kaggle上的FlowerColor(https://link.segmentfault.com/?encJ3g5oFGrbA1HVG5wkU5DSA%3D%3D.kDzgVm5fYYYL7xaonZlV
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
使用贝叶斯优化进行深度神经网络超参数优化
在本文中,我们将深入研究超参数优化。为了方便起见本文将使用Tensorflow中包含的FashionMNIST1数据集。该数据集在训练集中包含60,000张灰度图像,在测试集中包含10,000张图像。每张图片代表属于10个类别之一的单品(“T恤/上衣”、“裤子”、“套
已加载文章中没有匹配内容,试试其他关键词或清空搜索。