
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
CDA 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 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 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 ...
2025-07-11