Keras中文文档.pdfKeras官方文档PDF版，带书签，一共307页，完整版，目前最好的版本！

文件名称: Keras中文文档.pdf

所属分类: 深度学习

开发工具:

文件大小: 12mb

下载次数: 0

上传时间: 2019-09-03

提供者: dzg***

下载 (12mb)

不能下载？报告错误

详细说明：Keras官方文档PDF版，带书签，一共307页，完整版，目前最好的版本！欢迎下载！model train on batch(x batch, y batch) 只需一行代码就能评估模型性能: loss and metrics modelevaluate(x test, y test, batch size=128) 或者对新的数据生成预测: classes =model predictx test, batch size=128) 构建一个问答系统,一个图像分类模型,一个神经图灵机,或者其他的任何模型,就是这么的快。深度学习背后的思想很简单,那么它们的实现又何必要那么痛苦呢? 有关 Keras吏深入的教程,请查看开始使用 Sequential模型开始使用函数式AP 在代码仓库的 examples日录中,你会找到更多高级模型:基于记忆网络的问答系统、基于栈式LSTM 的文本生成等等。安装指引在安装 Keras之前,请安装以下后端引擎之一: Tensor|oW, Theano,或者CNTK。我们推荐 Tensor|ow后端。 Tensor flow安装指引 Theano安装指引。 CNTK安装指引你也可以考虑安装以下可选依赖 CUDNN(如果你计划在GPU上运行 Keras,建议安装)。 HDF5和h5py(如果你需要将 Keras模型保存到磁盘,则需要这些)。 graphviz和 pydot(用于可视化工具绘制模型图)。然后你就可以安装 Keras本身了。有两种方法安装 Keras: 使用PyP安裝 Keras(推荐): sudo pip install keras 如果你使用 virtualeν虚拟环境,你可以避免使用sudo: pip install keras 或者:使用 Github源码安装 Keras: 首先,使用git来克隆 Keras: gitclonehttps://github.com/keras-team/keras.git 然后,cd到 Keras目录并且运行安装命令: ca keras sudo python setup. py install 配置你的 Keras后端默认情况下, Keras将使用τ ensorflow作为其张量操作库。请跟随这些指引来配置其他 Keras后端。技术支持你可以提出问题并参与开发讨论: Keras Google group o Keras slack channel。使用这个链接向该频道请求邀请函或者加入 Keras深度学习交流群,协助文档的翻译工作,群号为951623081 你也可以在 GitHub issues中发布漏洞报告和新功能请求(仅限于此)。注意请先阅读规范文档。为什么取名为 Keras? Keras(Kpas)在希腊语中意为号角。它来自古希腊和拉丁文学中的一个文学形象,首先出现于《奥德赛》中,梦神( Oneiro; singular Oneiros)从这两类人中分离岀来:那些用虚幻的景象欺骗人类,通过象牙之门抵达地球之人,以及那些宣告未来即将到来,通过号角之门抵达之人。它类似于文字寓意, EPas(号角)/Kpaⅳu(履行),以及Epas(象牙)/EλEφ palooka(欺骗) Keras最初是作为ONER○S项目(开放式神经电子智能机器人操作系统)研究工作的一部分而开发的 Oneiroi超出了我们的理解-谁能确定它们讲述了什么故事?并不是所有人都能找到。那里有两扇门,就是通往短暂的 Oneiroi的通道;一个是用号角制造的,一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi是诡计多端的,他们带有一些不会实现的信息;那些穿过抛光的喇叭出来的人背后具有真理,对于看到他们的人来说是完成的。“ Homer, Odyssey19.562ff( Shewring translation) Next Built with MkDocs using a theme provided by read the docs Keras中文文档 Docs》为什么选择 Keras? Edit on github 为什么选择 Keras? 在如今无数深度学习框架中,为什么要使用 Keras而非其他?以下是 Keras与现有替代品的一些比较。 Keras优先考虑开发人员的经验 · Keras是为人类而非机器设计的APl。 Keras遵循减少认知困难的最佳实践:它提供一致且简单的 AP,它将常见用例所需的用户操作数量降至最低,并且在用户错误时提供清晰和可操作的反馈。 ·这使 Keras易于学习和使用。作为 Keras用户,你的工作效率更高,能够比竞争对手更快地尝试更多创意,从而帮助你嬴得机器学习竞赛这种易用性并不以降低灵活性为代价:因为 Keras与底层深度学习语言(特别是 Tensor low)集成在一起,所以它可以让你实现任何你可以用基础语言编写的东西。特别是, tf keras作为 Keras AP|可以与 Tensor|oW工作流无缝集成 Keras被工业界和学术界广泛采用 Deep Learning framework Power Scores 2018 1009677 2272 20 7.15 8.37 4 3.65 2.711.18 1.05 ≈ Framework Deep learning框架排名,由 Jeff hale基于7个分类的11个数据源计算得出截至2018年中期, Keras拥有超过250,000名个人用户。与其他任何深度学习框架相比, Keras在行业和研究领域的应用率更高(除 Tensorflow之外,且 Keras ap|是 TensorFlow的官方前端,通过 tf.keras模块使用)。您已经不断与使用 Keras构建的功能进行交互-它在 Netflix,Uber,Yelp, Instacart, Zoldo, Square等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。 Keras也是深度学习研究人员的最爱,在上载到预印本服务器 arXiv. org的科学论文中被提及的次数位居第二。 Keras还被大型科学组织的研究人员采用,特别是CERN和NASA。 Keras可以轻松将模型转化为产品与任何其他深度学习框架相比,你的 Keras模型可以在更广泛的平台上轻松部署在OS上,通过 Apples CoreLL(苹果为 Keras提供官方支持)。这里有一个教程。在 Android上,通过 Tensor Flow android runtime,例如: Not Hotdog app 在浏览器中,通过GPU加速的」 avaScript运行时,例如: Keras.js和 WebDnn。在 Google Cloud上,通过 Tensor| oW-Serving。 ·在 Python webapp后端(比如 Flask app)中。 ·在八M上,通过 SkyMind提供的DL4J模型导入。在 Raspberry pi树莓派上。 Keras支持多个后端引擎,不会将你锁定到一个生态系统中你的 Keras模型可以基于不同的深度学习后端开发。重要的是,任何仅利用内置层构建的 Keras模型,都可以在所有这些后端中移植:你可以用一种后端训练模型,再将它载入另一种后端中(例如为发布的需要)。支持的后端有: 谷歌的 Tensor|ow后端微软的CNTK后端 Theano后端业马逊也正在为 Keras开发 MXNet后端。如此一来,你的 Keras模型可以在CPU之外的不同硬件平台上训练: NVIDIA GPU Goog|eTPU,通过 Tensor Flow后端和 Google Cloud ○ penCE支持的GP∪,比如AMD,通过 PlaidML Keras后端 Keras拥有强大的多GPU和分布式训练支持 Keras内置对多GPU数据并行的支持。 ·优步的 Horovod对 Keras模型拥有一流的支持。 Keras模型可以被转换为 Tensor flow estimators并在 Google Cloud的GPU集群上训练。 Keras可以在 Spark(通过CERN的Dist- Keras)和 Elephas上运行。 eras的发展得到深度学习生态系统中的关键公司的支持 Keras的开发主要由谷歌支持, Keras ap以 tf keras的形式包装在 Tensor flow中。此外,微软维护着 Keras的CNTK后端。亚马逊AWS正在开发 MXNet支持。其他提供支持的公司包括NVDA、优步、苹果(通过 CoreL)等。 Google H Microsoft nVIDIA aws Previous Next Built with Mk Docs using a theme provided by read the docs Keras中文文档 DoCs》快速开始》 Sequential顺序模型指引 Edit on github 开始使用 Keras Sequential顺序模型顺序模型是多个网络层的线性堆叠。你可以通过将网络层实例的列表传递给 Sequentia1的构造器,来创建一个 Sequential模型 from keras models import Sequential from keras layers import Dense, Activation model Sequential([ Dense(32, input_ shape=(784,) Activation('relu) Dense(10), Activation('softmax') 也可以简单地使用,ad()方法将各层添加到模型中 model Sequential) model. add(Dense(32, input dim=784)) model. add(Activation('relu)) 指定输入数据的尺小模型需要知道它所期望的输入的尺寸。出于这个原因,顺序模型中的第一层(且只有第一层,因为下面的层可以自动地推断尺寸)需要接收关于其输入尺寸的信息。有几种方法来做到这一点: 传递一个 input shape参数给第一层。它是一个表示尺寸的元组(一个整数或None的元组,其中 None表示可能为任何正整数)。在 input_shape中不包含数据的 batch大小某些2D层,例如 Dense,支持通过参数 input dim指定输入尺寸,某些3D时序层支持 input dim 和 input length参数。如果你需要为你的输入指定一个固定的 batch大小(这对 stateful rnns很有用),你可以传递一个 batch size参数给一个层。如果你同时将 batch size=2和 input shape=(6,8)传递给一个层那么每一批输入的尺寸就为(32,6,8)。因此,下面的代码片段是等价的: model Sequential model. add(Dense(32, input shape=(784, ))) model Sequential( model. add (Dense(32, input dim=784)) 模型编译在训练模型之前,您需要配置学习过程,这是通过 compile方法完成的。它接收三个参数: 优化器 optimizer。它可以是现有优化器的字符串标识符,如 rmsprop或 adagrad,也可以是 Optimizer类的实例。详见: optimizers ·损失函数loss,模型试图最小化的日标函数。它可以是现有损失函数的字符串标识符,如 categorical crossentropy或mse,也可以是一个目标函数。详见: losses 评估标准 metrics.。对于任何分类问题,你都希望将其设置为 metrics=[' accuracy]。评估标准可以是现有的标准的字符串标识符,也可以是自定义的评估标准函数。 #多分类问题 model. compile(optimizer='rmsprop' loss= categorical crossentropy', metrics=['accuracy ' #二分类问题 model. compile(optimizer='rmsprop', loss=binary crossentropy metrics=['accuracy']) #均方误差回归问题 model. compile(optimizer='rmsprop, loss=mse ') #自定义评估标准函数 import keras backend as K def mean pred (y true, y pred) return K mean(y_ pred) model. compile (optimizer='rmsprop' loss=binary_ crossentropy, metrics=['accuracy', mean_pred]) 模型训练 Keras模型在输入数据和标签的 Numpy矩阵上进行训练。为了训练一个模型,你通常会使用fit函数。文档详见此处

(系统自动生成,下载前可以参看下载内容)