Notes
怀疑模型梯度爆炸，想打印模型 loss 对各权重的导数看看。如果如果fit来训练的话，可以用keras.callbacks.TensorBoard实现。
但此次使用train_on_batch来训练的，用K.gradients和K.function实现。
Codes
以一份 VAE 代码为例
# -*- coding: utf8 -*-
import keras
from keras.models import Model
from keras.layers import Inpu
如果在Keras内部多次使用同一个Model，例如在不同的数据集上训练同一个模型进而得到结果，会存在内存泄露的问题。在运行几次循环之后，就会报错OOM。
解决方法是在每个代码后面接clear_session()函数，显示的关闭TFGraph，再重启。
详情参考 https://keras.io/backend/#backend-functions。
from keras import backend as K
K.clear_session()
补充知识：Keras多次加载模型进行测试时内存
代码位于keras的官方样例，并做了微量修改和大量学习?。
最终效果：
import keras
import numpy as np
import matplotlib.pyplot as plt
import random
from keras.callbacks import TensorBoard
from keras.datasets import mnist
from keras.models import Model
from keras.layers import Inpu
一点见解，不断学习，欢迎指正
1、自定义loss层作为网络一层加进model，同时该loss的输出作为网络优化的目标函数
from keras.models import Model
import keras.layers as KL
import keras.backend as K
import numpy as np
from keras.utils.vis_utils import plot_model
x_train=np.random.normal(1,1,(100,784))
x
1. keras新版本中加入多GPU并行使用的函数
下面程序段即可实现一个或多个GPU加速：
注意：使用多GPU加速时，Keras版本必须是Keras2.0.9以上版本
from keras.utils.training_utils import multi_gpu_model #导入keras多GPU函数
import VGG19 #导入已经写好的函数模型，例如VGG19
if G <= 1:
print("[INFO] training with 1 GPU...")
我就废话不多说了，大家还是直接看代码吧~
'''
Created on 2018-4-16
'''
import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.models import Model
from keras.callbacks import ModelCheckpoint,Callback
import numpy as np
import tflearn
i
Keras的.h5模型转成tensorflow的.pb格式模型，方便后期的前端部署。直接上代码
from keras.models import Model
from keras.layers import Dense, Dropout
from keras.applications.mobilenet import MobileNet
from keras.applications.mobilenet import preprocess_input
from keras.preprocess
1、使用函数模型API，新建一个model，将输入和输出定义为原来的model的输入和想要的那一层的输出，然后重新进行predict.
#coding=utf-8
import seaborn as sbn
import pylab as plt
import theano
from keras.models import Sequential
from keras.layers import Dense,Activation
from keras.models import Model
mo
