分类：Keras

2020
10-08

Keras 中Leaky ReLU等高级激活函数的用法

在用Keras来实现CNN等一系列网络时，我们经常用ReLU作为激活函数，一般写法如下：fromkerasimportlayersfromkerasimportmodelsmodel=models.Sequential()model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(28,28,1)))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Conv2D(64,(3,3),activation='relu'))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Conv2D(64,(3,3),... 继续阅读 >

2020
10-08

完美解决TensorFlow和Keras大数据量内存溢出的问题

内存溢出问题是参加kaggle比赛或者做大数据量实验的第一个拦路虎。以前做的练手小项目导致新手产生一个惯性思维——读取训练集图片的时候把所有图读到内存中，然后分批训练。其实这是有问题的，很容易导致OOM。现在内存一般16G，而训练集图片通常是上万张，而且RGB图，还很大，VGG16的图片一般是224x224x3，上万张图片，16G内存根本不够用。这时候又会想起——设置batch，但是那个batch的输入参数却又是图片，它只是把传进去的图片... 继续阅读 >

2020
10-08

Keras 在fit_generator训练方式中加入图像random_crop操作

使用Keras作前端写网络时，由于训练图像尺寸较大，需要做类似tf.random_crop图像裁剪操作。为此研究了一番Keras下已封装的API。DataAugmentation（数据扩充）DataAumentation指使用下面或其他方法增加输入数据量。我们默认图像数据。旋转&反射变换(Rotation/reflection):随机旋转图像一定角度;改变图像内容的朝向;翻转变换(flip):沿着水平或者垂直方向翻转图像;缩放变换(zoom):按照一定的比例放大或者缩小图像;平移变换(s... 继续阅读 >

2020
10-08

keras的三种模型实现与区别说明

前言一、keras提供了三种定义模型的方式1.序列式(Sequential)API序贯(sequential)API允许你为大多数问题逐层堆叠创建模型。虽然说对很多的应用来说，这样的一个手法很简单也解决了很多深度学习网络结构的构建，但是它也有限制－它不允许你创建模型有共享层或有多个输入或输出的网络。2.函数式(Functional)APIKeras函数式(functional)API为构建网络模型提供了更为灵活的方式。它允许你定义多个输入或输出模型以及共享图层的模型... 继续阅读 >

2020
10-08

Keras中 ImageDataGenerator函数的参数用法

一、KerasImageDataGenerator参数fromkeras.preprocessing.imageimportImageDataGeneratorkeras.preprocessing.image.ImageDataGenerator(featurewise_center=False,samplewise_center=False,featurewise_std_normalization=False,samplewise_std_normalization=False,zca_whitening=False,rotation_range=0.,width_shift_range=0.,height_shift_range=0.,shear_range=0.,zoom_range=0.,c... 继续阅读 >

2020
10-08

keras的ImageDataGenerator和flow()的用法说明

ImageDataGenerator的参数自己看文档fromkeras.preprocessingimportimageimportnumpyasnpX_train=np.ones((3,123,123,1))Y_train=np.array([[1],[2],[2]])generator=image.ImageDataGenerator(featurewise_center=False,samplewise_center=False,featurewise_std_normalization=False,samplewise_std_normalization=False,zca_whitening=False,zca_epsilon=1e-6,rotation_range=180,width_shift_range=0.2,h... 继续阅读 >

2020
10-08

Keras 数据增强ImageDataGenerator多输入多输出实例

我就废话不多说了，大家还是直接看代码吧~importosos.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"os.environ["CUDA_VISIBLE_DEVICES"]=""importsysimportgcimporttimeimportcv2importrandomimportnumpyasnpimportpandasaspdimportseabornassnsimportmatplotlib.pyplotaspltfromtqdmimporttqdmfromrandom_eraserimportget_random_eraserfromkeras.preprocessing.imageimportImageDataGenerator,array... 继续阅读 >

2020
10-08

keras和tensorflow使用fit_generator 批次训练操作

fit_generator是keras提供的用来进行批次训练的函数，使用方法如下：model.fit_generator(generator,steps_per_epoch=None,epochs=1,verbose=1,callbacks=None,validation_data=None,validation_steps=None,class_weight=None,max_queue_size=10,workers=1,use_multiprocessing=False,shuffle=True,initial_epoch=0)参数说明：generator:一个生成器，或者一个Sequence(keras.utils.Sequence)对象的实... 继续阅读 >

2020
10-08

keras 两种训练模型方式详解fit和fit_generator(节省内存)

第一种，fitimportkerasfromkeras.modelsimportSequentialfromkeras.layersimportDenseimportnumpyasnpfromsklearn.preprocessingimportLabelEncoderfromsklearn.preprocessingimportOneHotEncoderfromsklearn.model_selectionimporttrain_test_split#读取数据x_train=np.load("D:\\machineTest\\testmulPE_win7\\data_sprase.npy")[()]y_train=np.load("D:\\machineTest\\testmulPE_win7\\lable_sprase.np... 继续阅读 >

2020
10-08

keras分类模型中的输入数据与标签的维度实例

在《python深度学习》这本书中。一、21页mnist十分类导入数据集fromkeras.datasetsimportmnist(train_images,train_labels),(test_images,test_labels)=mnist.load_data()初始数据维度：>>>train_images.shape(60000,28,28)>>>len(train_labels)60000>>>train_labelsarray([5,0,4,...,5,6,8],dtype=uint8)数据预处理：train_images=train_images.reshape((60000,28*28))train_images=train_images.asty... 继续阅读 >

2020
10-08

keras自动编码器实现系列之卷积自动编码器操作

图片的自动编码很容易就想到用卷积神经网络做为编码-解码器。在实际的操作中，也经常使用卷积自动编码器去解决图像编码问题，而且非常有效。下面通过**keras**完成简单的卷积自动编码。编码器有堆叠的卷积层和池化层(maxpooling用于空间降采样)组成。对应的解码器由卷积层和上采样层组成。@requires_authorization#-*-coding:utf-8-*-fromkeras.layersimportInput,Dense,Conv2D,MaxPooling2D,UpSampling2Dfromkeras.... 继续阅读 >

2020
10-08

Keras搭建自编码器操作

简介：传统机器学习任务任务很大程度上依赖于好的特征工程，但是特征工程往往耗时耗力，在视频、语音和视频中提取到有效特征就更难了，工程师必须在这些领域有非常深入的理解，并且需要使用专业算法提取这些数据的特征。深度学习则可以解决人工难以提取有效特征的问题，大大缓解机器学习模型对特征工程的依赖。深度学习在早期一度被认为是一种无监督的特征学习过程，模仿人脑对特征逐层抽象的过程。这其中两点很重要：一是无监督... 继续阅读 >

2020
10-08

keras topN显示,自编写代码案例

对于使用已经训练好的模型，比如VGG,RESNET等，keras都自带了一个keras.applications.imagenet_utils.decode_predictions的方法,有很多限制：defdecode_predictions(preds,top=5):"""DecodesthepredictionofanImageNetmodel.#Argumentspreds:Numpytensorencodingabatchofpredictions.top:Integer,howmanytop-guessestoreturn.#ReturnsAlistoflistsoftopclasspredictiontuples`(class_name,... 继续阅读 >

2020
10-08

使用Keras建立模型并训练等一系列操作方式

由于Keras是一种建立在已有深度学习框架上的二次框架，其使用起来非常方便，其后端实现有两种方法，theano和tensorflow。由于自己平时用tensorflow，所以选择后端用tensorflow的Keras，代码写起来更加方便。1、建立模型Keras分为两种不同的建模方式，Sequentialmodels：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。FunctionalAPI：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型... 继续阅读 >

2020
10-08

keras训练浅层卷积网络并保存和加载模型实例

这里我们使用keras定义简单的神经网络全连接层训练MNIST数据集和cifar10数据集：keras_mnist.pyfromsklearn.preprocessingimportLabelBinarizerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportclassification_reportfromkeras.modelsimportSequentialfromkeras.layers.coreimportDensefromkeras.optimizersimportSGDfromsklearnimportdatasetsimportmatplotlib.pyplotasplti... 继续阅读 >

2020
10-08

keras用auc做metrics以及早停实例

我就废话不多说了，大家还是直接看代码吧~importtensorflowastffromsklearn.metricsimportroc_auc_scoredefauroc(y_true,y_pred):returntf.py_func(roc_auc_score,(y_true,y_pred),tf.double)#BuildModel...model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy',auroc])完整例子：defauc(y_true,y_pred):auc=tf.metrics.auc(y_true,y_pred)[1]K.get_session().run(tf.loc... 继续阅读 >