溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇文章給大家分享的是有關如何進行Keras的分析，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。
Keras簡介
Keras是一個用Python編寫的高級神經網絡 API，它能夠以TensorFlow, CNTK, 或者 Theano 作為后端運行。Keras的開發重點是支持快速的實驗。能夠以最小的時延把你的想法轉換為實驗結果，是做好研究的關鍵。
Keras使用場景
允許簡單而快速的原型設計(由于用戶友好，高度模塊化，可擴展性)。
同時支持卷積神經網絡和循環神經網絡，以及兩者的組合。
在 CPU 和 GPU 上無縫運行。
用戶友好。Keras 是為人類而不是為機器設計的 API。它把用戶體驗放在首要和中心位置。Keras 遵循減少認知困難的最佳實踐：它提供一致且簡單的 API，將常見用例所需的用戶操作數量降至最低，并且在用戶錯誤時提供清晰和可操作的反饋。
模塊化。 模型被理解為由獨立的、完全可配置的模塊構成的序列或圖。這些模塊可以以盡可能少的限制組裝在一起。特別是神經網絡層、損失函數、優化器、初始化方法、激活函數、正則化方法，它們都是可以結合起來構建新模型的模塊。
易擴展性。 新的模塊是很容易添加的（作為新的類和函數），現有的模塊已經提供了充足的示例。由于能夠輕松地創建可以提高表現力的新模塊，Keras 更加適合高級研究。
基于 Python 實現。Keras 沒有特定格式的單獨配置文件。模型定義在 Python 代碼中，這些代碼緊湊，易于調試，并且易于擴展。
上手 Keras
Keras的核心數據結構是model，一種組織網絡層的方式。最簡單的模型是Sequential 順序模型，它由多個網絡層線性堆疊。對于更復雜的結構，你應該使用Keras函數式API，它允許構建任意的神經網絡圖。Sequential 模型如下所示：
from keras.models import Sequentialmodel = Sequential()
可以簡單地使用 .add() 來堆疊模型：
from keras.layers import Densemodel.add(Dense(units=64, activation='relu', input_dim=100))model.add(Dense(units=10, activation='softmax'))
在完成了模型的構建后, 可以使用 .compile() 來配置學習過程：
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
如果需要，你還可以進一步地配置你的優化器。Keras的核心原則是使事情變得相當簡單，同時又允許用戶在需要的時候能夠進行完全的控制(終極的控制是源代碼的易擴展性)。
model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
現在，你可以批量地在訓練數據上進行迭代了：
# x_train 和 y_train 是 Numpy 數組 -- 就像在 Scikit-Learn API 中一樣。model.fit(x_train, y_train, epochs=5, batch_size=32)
或者，你可以手動地將批次的數據提供給模型：
model.train_on_batch(x_batch, y_batch)
只需一行代碼就能評估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者對新的數據生成預測：
classes = model.predict(x_test, batch_size=128)
以上就是如何進行Keras的分析，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
