keras专题

Kaggle刷比赛的利器,LR,LGBM,XGBoost,Keras

刷比赛利器,感谢分享的人。 摘要 最近打各种比赛,在这里分享一些General Model,稍微改改就能用的 环境: python 3.5.2 XGBoost调参大全: http://blog.csdn.net/han_xiaoyang/article/details/52665396 XGBoost 官方API: http://xgboost.readthedocs.io/en

深度学习 之 keras

注意使用keras 首先压迫安装theano 或者tensorflow,keras默认使用tensorflow   首先创建一个moel from keras.models import Sequentialmodel = Sequential()   然后添加神经层及激活函数 from keras.layers import Dense, Activationmodel.ad

图像识别之目标检测keras-tensorflow 实现yolo3

关于windows gpu环境请参考https://liuhuiyao.blog.csdn.net/article/details/109271898  keras-yolo3 地址  https://github.com/qqwweee/keras-yolo3 本人真实实现的情况是: windows 10 tensorboard             1.8.0 tensorflow-

windows 机器学习 tensorflow-gpu +keras gpu环境的 相关驱动安装-CUDA,cuDNN。

本人真实实现的情况是: windows 10 tensorboard             1.8.0 tensorflow-gpu          1.8.0 pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ tensorflow-gpu==1.8.0 Keras                   2.2.4 pip

在keras中使用tensorflow自带的评估标准

在keras中使用tensorflow自带的标准     Metrics是衡量一个神经网络性能的重要指标,然而在keras环境下,仅有有限个评估标准可以使用。Tensorflow自带了很多的评估标准,因此就产生了一个问题,能否在keras中使用tensorflow自带的评估标准?     多的不说,直接上代码! // 首先将tensorflow的函数封装成为keras下的函数def as_k

深度学习-TensorFlow2 :构建DNN神经网络模型【构建方式:自定义函数、keras.Sequential、CompileFit、自定义Layer、自定义Model】

1、手工创建参数、函数–>利用tf.GradientTape()进行梯度优化(手写数字识别) import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tffrom tensorflow.keras import datasets# 一、获取手写数字辨识训练数据集(X_train, Y_train), (X_

keras missing label unlabeled 未标注类 如何训练 如何自定义损失函数 去除未标注类 缺少标签

我从这里找到的答案: def ignore_unknown_xentropy(ytrue, ypred):return (1-ytrue[:, :, :, 0])*categorical_crossentropy(ytrue, ypred) 然后下面是我的代码: 我感觉看到这个帖子的应该都看得懂吧(其实就是懒得解释了,请看注释)  from __future__ import print_

keras 实现dense prediction 逐像素标注 语义分割 像素级语义标注 pixelwise segmention labeling classification 3D数据

主要是keras的示例都是图片分类。而真正的论文代码,又太大了,不适合初学者(比如我)来学习。 所以我查找了一些资料。我在google 上捞的。 其中有个教程让人感觉很好.更完整的教程。另一个教程。 大概就是说,你的输入ground truth label需要是(width*height,class number),然后网络最后需要加个sigmoid,后面用binary_crossentro

keras 整数编码转成onehot编码

import kerasy_train = keras.utils.to_categorical(y_train, num_classes)y_test = keras.utils.to_categorical(y_test, num_classes) y就是整数编码

keras 将softmax值转成onehot 最大值赋值1 其他赋值0

注意: 当使用 categorical_crossentropy 损失时,你的目标值应该是分类格式 (即,如果你有 10 个类,每个样本的目标值应该是一个 10 维的向量,这个向量除了表示类别的那个索引为 1,其他均为 0)。 为了将 整数目标值 转换为 分类目标值,你可以使用 Keras 实用函数 to_categorical: from keras.utils.np_utils import

keras data fit generator 数据生成器 多输入数据生成器 图片 分割 逐像素label 直观调试 生成图片

此处以keras为例。 多数的深度学习方法都是支持批量yeild数据,而不是直接加载所有数据到内存。 给一个对比:   25512是未使用数据生成器的 30777是使用数据生成器的。 但是必须要说明的,GPU的内存是不会减少的,都是有多少用多少。给的多就多用,给的少就少用。   那么首先给出原始教程: https://stanford.edu/~shervine/blog

Keras 添加model.add(LSTM(......))等待时间过长,以及占用CPU空间的问题

原因: tensorflow版本过低,一般tensorflow在1.3.0以下(包括1.3.0)会出现这种问题 解决方法: 升级tensorflow pip install tensorflow --upgrade 再次运行会提示 ImportError: /lib64/libstdc++.so.6: version `CXXABI_1.3.9’ not found 参考博客: https:

猫头虎 分享:Python库 Keras 的简介、安装、用法详解入门教程

猫头虎 分享:Python库 Keras 的简介、安装、用法详解入门教程 摘要 今天猫头虎带大家深入了解一个在人工智能和深度学习领域备受瞩目的Python库——Keras。本文将通过详细的分步指南,帮助大家掌握Keras的安装与基本用法,解决在开发过程中可能遇到的问题。通过这种方式,你将能够轻松开始使用Keras进行深度学习项目开发。 猫头虎是谁? 大家好,我是 猫头虎,别名猫头虎

[Keras] 使用Keras编写自定义网络层(layer)

Keras提供众多常见的已编写好的层对象,例如常见的卷积层、池化层等,我们可以直接通过以下代码调用: # 调用一个Conv2D层from keras import layersconv2D = keras.layers.convolutional.Conv2D(filters,\kernel_size, \strides=(1, 1), \padding='valid', \...)

keras tensorboard的使用, 设置GPU使用的内存, 强制只使用cpu

强制只使用cpu: import osos.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" # see issue #152os.environ["CUDA_VISIBLE_DEVICES"] = "" keras2.0版本已经添加了一些贡献者的新建议,用keras调用tensorboard对训练过程进行跟踪观察非常方便了。 直接上

Keras以及Tensorflow强制使用CPU,GPU

Keras如果是使用Theano后端的话,应该是自动不使用GPU只是用CPU的,启动GPU使用Theano内部命令即可。  对于Tensorflow后端的Keras以及Tensorflow会自动使用可见的GPU,而我需要其必须只运行在CPU上。网上查到三种方法,最后一种方法对我有用,但也对三种都做如下记录: 使用tensorflow的 with tf.device('/cpu:0'):函数。简单

keras slice layer 层 实现

注意的地方: keras中每层的输入输出的tensor是张量, 比如Tensor shape是(N, H, W, C), 对于tf后台, channels_last Define a slice layer using Lamda layer def slice(x, h1, h2, w1, w2):""" Define a tensor slice function"""return x[:

【Keras】TimeDistributed的理解和用法

之前一直在看one-stage目标定位的算法,主要是速度快。今天无聊就看下mask-rcnn的源码,了解下主要结构和训练过程。看网络图中发现了使用TimeDistributed层,平常自己没有用过这样的层,所以看官方文档和其他人的博客,发现有的博客理解的并不太正确,所以还是简单介绍下吧。只是个人理解,如有问题欢迎指出。     TimeDistributed顾名思义就是使用时间序列来进行一系列张

【Keras】K.switch()用法

一、switch keras.backend.switch(condition, then_expression, else_expression) 根据一个标量值在两个操作之间切换。 请注意,then_expression 和 else_expression 都应该是相同尺寸的符号张量。 参数 condition: 张量 (int 或 bool)。 then_expression: 张

【Keras】Sequential

目录 开始使用 Keras Sequential 顺序模型 指定输入数据的尺寸 模型编译 模型训练 样例 类似 VGG 的卷积神经网络 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 Sequential 的构造器,来创建一个 Sequential 模型: from keras.models imp

【Keras】多GPU训练和模型保存

先看完整示例  import osimport tensorflow as tfimport matplotlib.pyplot as pltfrom keras.models import Sequentialfrom keras.applications.inception_v3 import InceptionV3from keras.applications.mobilenet

【Keras】训练的流程

目录 这里以Sequential为例 声明 堆叠模型 compile配置学习状态 训练迭代 模型评估 模型预测(这步是不需要compile那步操作的) 这里以Sequential为例 声明 Sequential 模型如下所示: from keras.models import Sequentialmodel = Sequential() 堆叠模型 可以简单地使用 .

【Keras】Model 类(函数式 API)

目录 Model 类(函数式 API) Model 类模型方法 compile fit evaluate predict train_on_batch test_on_batch predict_on_batch fit_generator evaluate_generator predict_generator get_layer Model 类(函数式 API)

【Keras】keras model.compile(loss='目标函数 ', optimizer='adam', metrics=['accuracy'])

讲解了各种loss https://www.cnblogs.com/smuxiaolei/p/8662177.html

【Keras】compile理解

你需要一个编译的模型来训练(因为训练使用损失函数和优化器)。但是没有必要编译模型进行预测。另外再次加载时模型时,你紧跟着就是一个compile是不会对加载过的模型进行随机初始化,仅仅是改变了模型的优化状态而已。 再次编译的后果: 如果再次编译模型,则将丢失优化程序状态。 这意味着你的训练在开始时会受到一点点影响,直到它调整学习速度,动力等等。但是对于重量绝对没有损害(当然,除非你的初始学习率

【Keras】创建训练和测试模型的思路

还在整理中 ==================== (1)使用一个标志位,假设为mode,然后在读取数据的时候判断,在构建模型的时候判断。就如https://github.com/matterport/Mask_RCNN代码中写的。 (2)直接使用keras的Model(),包起来,但是还是需要重新构建测试模型。emmm,这种我再想想他是怎么操作的。https://github.com/Ol