分类：keras

2020
09-29

keras小技巧——获取某一个网络层的输出方式

前言：keras默认提供了如何获取某一个层的某一个节点的输出，但是没有提供如何获取某一个层的输出的接口，所以有时候我们需要获取某一个层的输出，则需要自己编写代码，但是鉴于keras高层封装的特性，编写起来实际上很简单，本文提供两种常见的方法来实现，基于上一篇文章的模型和代码：keras自定义回调函数查看训练的loss和accuracy一、模型加载以及各个层的信息查看从前面的定义可知，参见上一篇文章，一共定义了8个网络层，定... 继续阅读 >

2020
09-29

keras自定义回调函数查看训练的loss和accuracy方式

前言：keras是一个十分便捷的开发框架，为了更好的追踪网络训练过程中的损失函数loss和准确率accuracy，我们有几种处理方式，第一种是直接通过history=model.fit()，来返回一个history对象，通过这个对象可以访问到训练过程训练集的loss和accuracy以及验证集的loss和accuracy。第二种方式就是通过自定义一个回调函数Callbacks，来实现这一功能，本文主要讲解第二种方式。一、如何构建回调函数Callbacks本文所针对的例子是卷积神... 继续阅读 >

2020
09-29

Keras设定GPU使用内存大小方式(Tensorflow backend)

通过设置Keras的Tensorflow后端的全局变量达到。importosimporttensorflowastfimportkeras.backend.tensorflow_backendasKTFdefget_session(gpu_fraction=0.3):'''Assumethatyouhave6GBofGPUmemoryandwanttoallocate~2GB'''num_threads=os.environ.get('OMP_NUM_THREADS')gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=gpu_fraction)ifnum_threads:returntf.Session(config=tf.C... 继续阅读 >

2020
09-29

关于keras.layers.Conv1D的kernel_size参数使用介绍

今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知怎么理解，keras中文文档是这样描述的：kernel_size:一个整数，或者单个整数表示的元组或列表，指明1D卷积窗口的长度。又经过多方查找，大体理解如下：因为是添加一维卷积层Conv1D()，一维卷积一般会处理时序数据，所以，卷积核的宽度为1，而kernel_size就是卷积核的长度了，这样的意思就是这个卷积核是一个长方形的卷积核。补充知识：tf.layers.conv1d函数解析... 继续阅读 >

2020
09-29

keras中的卷积层&池化层的用法

卷积层创建卷积层首先导入keras中的模块fromkeras.layersimportConv2D卷积层的格式及参数：Conv2D(filters,kernel_size,strides,padding,activation='relu',input_shape)filters:过滤器数量kernel_size：指定卷积窗口的高和宽的数字strides:卷积stride，如果不指定任何值，则strides设为1padding:选项包括'valid'和'same'，默认值为'valid'activation:通常为'relu'，如果不指定任何值，则不应用任何激活函数，通常应该... 继续阅读 >

2020
09-29

Keras Convolution1D与Convolution2D区别说明

以下是Convolution1D的例子：fromkeras.layersimportConvolution1Dfromkeras.modelsimportSequentialmodel=Sequential()model.add(Convolution1D(filters=64,#64个滤波器－》生成64深度kernel_size=3,#长度为3input_shape=(10,32),#输入形状就是图片形状(step,input_dim)input_dim一般指词_dimpadding='same'#过滤模式))#OutputShape:(None,10,64)model.add(Convolution1D(filters=32,kernel_si... 继续阅读 >

2020
09-29

keras中的backend.clip用法

如下所示：keras.backend.clip(x,min_value,max_value)逐元素clip（将超出指定范围的数强制变为边界值）参数x:张量或变量。min_value:Python浮点或整数。max_value:Python浮点或整数。返回一个张量。importtensorflowastffromkerasimportbackenda=tf.constant(2.1)#定义tensor常量b=backend.clip(a,0,1)withtf.Session()assess:print(sess.run(b))>>>1.0Keras中可以利用backend中的一些函数来自定义模... 继续阅读 >

2020
09-29

TensorFlow keras卷积神经网络 添加L2正则化方式

我就废话不多说了，大家还是直接看代码吧！model=keras.models.Sequential([#卷积层1keras.layers.Conv2D(32,kernel_size=5,strides=1,padding="same",data_format="channels_last",activation=tf.nn.relu,kernel_regularizer=keras.regularizers.l2(0.01)),#池化层1keras.layers.MaxPool2D(pool_size=2,strides=2,padding="same"),#卷积层2keras.layers.Conv2D(64,kernel_size=5,strides=1,padding="same",data_format="c... 继续阅读 >

2020
09-29

使用keras根据层名称来初始化网络

keras根据层名称来初始化网络defget_model(input_shape1=[75,75,3],input_shape2=[1],weights=None):bn_model=0trainable=True#kernel_regularizer=regularizers.l2(1e-4)kernel_regularizer=Noneactivation='relu'img_input=Input(shape=input_shape1)angle_input=Input(shape=input_shape2)#Block1x=Conv2D(64,(3,3),activation=activation,padding='same',trainable=trainable,kerne... 继续阅读 >

2020
09-29

关于Keras Dense层整理

我就废话不多说了，大家还是直接看代码吧！'''Createdon2018-4-4'''keras.layers.core.Dense(units,#代表该层的输出维度activation=None,#激活函数.但是默认lineruse_bias=True,#是否使用bkernel_initializer='glorot_uniform',#初始化w权重，keras/initializers.pybias_initializer='zeros',#初始化b权重kernel_regularizer=None,#施加在权重w上的正则项,keras/regularizer.pybias_regularizer=None,#施加在偏置向量b上... 继续阅读 >

2020
09-29

keras之权重初始化方式

在神经网络训练中，好的权重初始化会加速训练过程。下面说一下kernel_initializer权重初始化的方法。不同的层可能使用不同的关键字来传递初始化方法，一般来说指定初始化方法的关键字是kernel_initializer和bias_initializermodel.add(Dense(64,kernel_initializer=initializers.random_normal(stddev=0.01)))#alsoworks;willusethedefaultparameters.model.add(Dense(64,kernel_initializer='random_normal'))几种... 继续阅读 >

2020
09-29

keras 权重保存和权重载入方式

如果需要全部权重载入，直接使用权重载入方式model.save_weights('./weigths.h5')model2.load_weights('./weigths.h5')但是有时候你只需要载入部分权重所以你可以这样操作首先，为所有层命名，在层中直接加入方法name='layer1'第二，使用，将你不需要载入权重的值更改名字。最后，载入权重。x=BatchNormalization(axis=channel_axis,name='layer2')(x)model2.layers[-1].name='pred'model2.load_weights('./weigths.h5',by_name... 继续阅读 >

2020
09-29

浅谈keras保存模型中的save()和save_weights()区别

今天做了一个关于keras保存模型的实验，希望有助于大家了解keras保存模型的区别。我们知道keras的模型一般保存为后缀名为h5的文件，比如final_model.h5。同样是h5文件用save()和save_weight()保存效果是不一样的。我们用宇宙最通用的数据集MNIST来做这个实验，首先设计一个两层全连接网络：inputs=Input(shape=(784,))x=Dense(64,activation='relu')(inputs)x=Dense(64,activation='relu')(x)y=Dense(10,activation='s... 继续阅读 >

2020
09-29

解决在keras中使用model.save()函数保存模型失败的问题

我使用的是anaconda安装的环境，其中有一个是h5py，自动安装的是2.7.0的版本，这个版本会导致保存模型时python奔溃。condainstallh5py==2.8.0将h5py更新一个版本即可解决这个问题。补充知识：Django安装提示错误使用sudopipinstall......的时候出现下面一段代码：Thedirectory'/Users/XX/Library/Caches/pip'oritsparentdirectoryisnotownedbythecurrentuserandcachingwheelshasbeendisabled.checkthep... 继续阅读 >

2020
09-27

jupyter notebook 调用环境中的Keras或者pytorch教程

1.安装插件，在非虚拟环境condainstallnb_condacondainstallipykernel2、安装ipykernel包，在虚拟环境下安装在Windows使用下面命令:激活环境并安装插件（这里的Keras是我的环境名，安装的时候换成自己的环境名即可）activatekerascondainstallipykernel在linux使用下面的命令：激活环境并安装插件sourceactivatekerascondainstallipykernel安装后的效果图如下：至此即可以愉快地使用环境中的Keras和pytorch了Ke... 继续阅读 >

2020
09-25

Python搭建Keras CNN模型破解网站验证码的实现

在本项目中，将会用Keras来搭建一个稍微复杂的CNN模型来破解以上的验证码。验证码如下： 利用Keras可以快速方便地搭建CNN模型，本项目搭建的CNN模型如下：将数据集分为训练集和测试集，占比为8：2，该模型训练的代码如下： #-*-coding:utf-8-*-importnumpyasnpimportpandasaspdfromsklearn.model_selectionimporttrain_test_splitfrommatplotlibimportpyplotaspltfromkeras.utilsimportnp_utils,... 继续阅读 >