
Keras 是基于 Theano 或 者TensorFlow 的一个深度学习框架,其设计源于Torch,编程语言用 Python ,是一个功能强大、内容抽象,高度模块化的神经网络库,能够支持 GPU 和 CPU。目前tensorflow已经将keras合并到了自己的主代码中,我们可以直接tf.keras就能调用其中的工具库了。
一、 Keras设计原则
a)用户友好:Keras提供一致而简洁的API, 大大降低了一般应用下用户的工作量,并且,Keras可以提供清晰和具有实践意义的bug反馈。
b)模块性:模型可理解为一个层的序列或数据的运算图,完全可配置的模块可以用最少的代价自由组合在一起。具体而言,网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块,你可以使用它们来构建自己的模型。
c)易扩展性:只要仿照现有模块编写出新的类或者函数,就能够非常简单的添加新模块。这种快捷性、便利性,能够让Keras在先进的研究工作方面有更突出的表现。
d)与Python协作:Keras并没有单独的模型配置文件类型,模型使用python代码,这使得Keras更紧凑和更易debug,扩展更为便捷。
二、keras安装
在进行keras安装之前,需要需要确保TensorFlow,Theano,CNTK已经安装完成。建议使用TensorFlow后端。如果计划在GPU上运行keras,还可以选择依赖项cuDNN。
1、打开dos窗口,在命令行中输入:pip install keras
2、下载完成后,进入python环境,输入import keras,输出Using Tensorflow backend即表示安装成功。
三、快速上手 Keras
模型,是一种组织网络层的方式,它是Keras 的核心数据结构。Keras 中主要的模型有: Sequential 模型,Sequential 是一系列网络层按顺序构成的栈。
Sequential 模型如下:
from keras.models import Sequential model = Sequential()
将一些网络层通过 .add() 堆叠起来,就构成了一个模型:
from keras.layers import Dense, Activation model.add(Dense(units=64. input_dim=100)) model.add(Activation("relu")) model.add(Dense(units=10)) model.add(Activation("softmax"))
完成模型的搭建后,我们需要使用 .compile() 方法来编译模型:
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
模型编译时必须指明损失函数和优化器。Keras 的核心理念就是简便快捷,操作容易。用户可以根据自己的实际需要定制自己的模型、网络层,甚至修改源代码。比如,我们使用自定义的 SGD 优化器:
from keras.optimizers import SGD model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01. momentum=0.9. nesterov=True))
模型编译完成之后,我们在训练数据上按 batch 进行一定次数的迭代来训练网络:
model.fit(x_train, y_train, epochs=5. batch_size=32)
如果我们采用手动方法,将一个个 batch 的数据送入网络中训练,需要使用:
model.train_on_batch(x_batch, y_batch)
随后,我们可以用这一行代码来评估模型,确定模型的指标是否能够满足我们的要求:
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者,我们可以使用此模型,预测新数据:
classes = model.predict(x_test, batch_size=128)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07剖析 CDA 数据分析师考试题型:解锁高效备考与答题策略 CDA(Certified Data Analyst)数据分析师考试作为衡量数据专业能力的 ...
2025-07-04SQL Server 字符串截取转日期:解锁数据处理的关键技能 在数据处理与分析工作中,数据格式的规范性是保证后续分析准确性的基础 ...
2025-07-04CDA 数据分析师视角:从数据迷雾中探寻商业真相 在数字化浪潮席卷全球的今天,数据已成为企业决策的核心驱动力,CDA(Certifie ...
2025-07-04CDA 数据分析师:开启数据职业发展新征程 在数据成为核心生产要素的今天,数据分析师的职业价值愈发凸显。CDA(Certified D ...
2025-07-03