cchangcs 公众号： hw_cch

Keras学习（三）——分类classification

本文主要介绍使用keras搭建神经网络并对手写数字进行分类。

代码：

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import RMSprop

# 使多次生成的随机数相同
np.random.seed(1337)

# 下载数据集
# X_shape(60000 28x28),y shape(10000)
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 预处理数据
'''
X_train.reshape(X_train.shape[0], -1) 将60000个28x28的数据变为60000x784
/255：把数据标准化到[0,1]
'''
X_train = X_train.reshape(X_train.shape[0], -1) / 255  # 标准化
X_test = X_test.reshape(X_test.shape[0], -1) / 255  # 标准化
# 将标签变为one-hot形式
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)

# 搭建神经网络
model = Sequential([
    Dense(32, input_dim=784),
    Activation('relu'),
    Dense(10),   # 默认上一层的输出为本层输入
    Activation('softmax'),
])

# 定义Optimizer
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-8, decay=0.0)

# 激活模型
model.compile(
    optimizer=rmsprop,   # optimizer='rmsprop'使用默认的rmsprop优化函数
    loss='categorical_crossentropy',
    metrics=['accuracy'],
)

# 训练
print('Training......')
model.fit(X_train, y_train, nb_epoch=2, batch_size=32)

# 测试
print('\nTesting......')
loss, accuracy = model.evaluate(X_test, y_test)

print('test loss', loss)
print('test accuracy', accuracy)

训练结果：

Training......
Epoch 1/2
2018-10-29 19:44:58.332022: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

   32/60000 [..............................] - ETA: 28:08 - loss: 2.4464 - acc: 0.0625
  448/60000 [..............................] - ETA: 2:06 - loss: 2.0239 - acc: 0.3482 
 1216/60000 [..............................] - ETA: 48s - loss: 1.6656 - acc: 0.5403 
 1856/60000 [..............................] - ETA: 33s - loss: 1.4600 - acc: 0.6158
 2656/60000 [>.............................] - ETA: 23s - loss: 1.2610 - acc: 0.6803
 3392/60000 [>.............................] - ETA: 19s - loss: 1.1350 - acc: 0.7134
 4160/60000 [=>............................] - ETA: 16s - loss: 1.0305 - acc: 0.7411
 4832/60000 [=>............................] - ETA: 14s - loss: 0.9582 - acc: 0.7581
 5440/60000 [=>............................] - ETA: 13s - loss: 0.9133 - acc: 0.7691
 6112/60000 [==>...........................] - ETA: 12s - loss: 0.8695 - acc: 0.7806
 6848/60000 [==>...........................] - ETA: 10s - loss: 0.8205 - acc: 0.7935
 7424/60000 [==>...........................] - ETA: 10s - loss: 0.7875 - acc: 0.8019
 8192/60000 [===>..........................] - ETA: 9s - loss: 0.7532 - acc: 0.8104 
 8928/60000 [===>..........................] - ETA: 8s - loss: 0.7209 - acc: 0.8185
 9600/60000 [===>..........................] - ETA: 8s - loss: 0.6998 - acc: 0.8227
10432/60000 [====>.........................] - ETA: 7s - loss: 0.6741 - acc: 0.8275
11200/60000 [====>.........................] - ETA: 7s - loss: 0.6544 - acc: 0.8313
11872/60000 [====>.........................] - ETA: 7s - loss: 0.6361 - acc: 0.8351
12448/60000 [=====>........................] - ETA: 6s - loss: 0.6232 - acc: 0.8386
12992/60000 [=====>........................] - ETA: 6s - loss: 0.6110 - acc: 0.8409
13600/60000 [=====>........................] - ETA: 6s - loss: 0.5990 - acc: 0.8430
14016/60000 [======>.......................] - ETA: 6s - loss: 0.5916 - acc: 0.8450
14528/60000 [======>.......................] - ETA: 6s - loss: 0.5817 - acc: 0.8476
15008/60000 [======>.......................] - ETA: 6s - loss: 0.5771 - acc: 0.8483
15552/60000 [======>.......................] - ETA: 6s - loss: 0.5683 - acc: 0.8502
16160/60000 [=======>......................] - ETA: 5s - loss: 0.5590 - acc: 0.8528
16768/60000 [=======>......................] - ETA: 5s - loss: 0.5504 - acc: 0.8548
17184/60000 [=======>......................] - ETA: 5s - loss: 0.5452 - acc: 0.8559
17760/60000 [=======>......................] - ETA: 5s - loss: 0.5365 - acc: 0.8581
18368/60000 [========>.....................] - ETA: 5s - loss: 0.5280 - acc: 0.8601
18976/60000 [========>.....................] - ETA: 5s - loss: 0.5219 - acc: 0.8616
19616/60000 [========>.....................] - ETA: 5s - loss: 0.5150 - acc: 0.8630
20192/60000 [=========>....................] - ETA: 5s - loss: 0.5079 - acc: 0.8649
20832/60000 [=========>....................] - ETA: 4s - loss: 0.5018 - acc: 0.8662
21376/60000 [=========>....................] - ETA: 4s - loss: 0.4973 - acc: 0.8673
22016/60000 [==========>...................] - ETA: 4s - loss: 0.4935 - acc: 0.8684
22592/60000 [==========>...................] - ETA: 4s - loss: 0.4891 - acc: 0.8693
23168/60000 [==========>...................] - ETA: 4s - loss: 0.4852 - acc: 0.8702
23744/60000 [==========>...................] - ETA: 4s - loss: 0.4808 - acc: 0.8711
24352/60000 [===========>..................] - ETA: 4s - loss: 0.4765 - acc: 0.8722
24928/60000 [===========>..................] - ETA: 4s - loss: 0.4718 - acc: 0.8731
25568/60000 [===========>..................] - ETA: 4s - loss: 0.4672 - acc: 0.8741
26208/60000 [============>.................] - ETA: 3s - loss: 0.4630 - acc: 0.8750
26848/60000 [============>.................] - ETA: 3s - loss: 0.4597 - acc: 0.8757
27424/60000 [============>.................] - ETA: 3s - loss: 0.4558 - acc: 0.8765
28128/60000 [=============>................] - ETA: 3s - loss: 0.4518 - acc: 0.8774
28736/60000 [=============>................] - ETA: 3s - loss: 0.4488 - acc: 0.8782
29376/60000 [=============>................] - ETA: 3s - loss: 0.4454 - acc: 0.8789
29984/60000 [=============>................] - ETA: 3s - loss: 0.4416 - acc: 0.8797
30688/60000 [==============>...............] - ETA: 3s - loss: 0.4370 - acc: 0.8808
31424/60000 [==============>...............] - ETA: 3s - loss: 0.4328 - acc: 0.8819
32256/60000 [===============>..............] - ETA: 3s - loss: 0.4292 - acc: 0.8828
32960/60000 [===============>..............] - ETA: 2s - loss: 0.4261 - acc: 0.8838
33696/60000 [===============>..............] - ETA: 2s - loss: 0.4217 - acc: 0.8845
34464/60000 [================>.............] - ETA: 2s - loss: 0.4193 - acc: 0.8851
35200/60000 [================>.............] - ETA: 2s - loss: 0.4175 - acc: 0.8851
35744/60000 [================>.............] - ETA: 2s - loss: 0.4146 - acc: 0.8859
36480/60000 [=================>............] - ETA: 2s - loss: 0.4116 - acc: 0.8868
37248/60000 [=================>............] - ETA: 2s - loss: 0.4085 - acc: 0.8876
38016/60000 [==================>...........] - ETA: 2s - loss: 0.4065 - acc: 0.8881
38720/60000 [==================>...........] - ETA: 2s - loss: 0.4038 - acc: 0.8887
39488/60000 [==================>...........] - ETA: 2s - loss: 0.4014 - acc: 0.8892
40192/60000 [===================>..........] - ETA: 2s - loss: 0.3992 - acc: 0.8898
40960/60000 [===================>..........] - ETA: 1s - loss: 0.3969 - acc: 0.8905
41728/60000 [===================>..........] - ETA: 1s - loss: 0.3947 - acc: 0.8911
42432/60000 [====================>.........] - ETA: 1s - loss: 0.3928 - acc: 0.8916
43040/60000 [====================>.........] - ETA: 1s - loss: 0.3907 - acc: 0.8921
43776/60000 [====================>.........] - ETA: 1s - loss: 0.3880 - acc: 0.8929
44544/60000 [=====================>........] - ETA: 1s - loss: 0.3867 - acc: 0.8931
45152/60000 [=====================>........] - ETA: 1s - loss: 0.3844 - acc: 0.8938
45856/60000 [=====================>........] - ETA: 1s - loss: 0.3818 - acc: 0.8945
46560/60000 [======================>.......] - ETA: 1s - loss: 0.3797 - acc: 0.8952
47328/60000 [======================>.......] - ETA: 1s - loss: 0.3772 - acc: 0.8957
48032/60000 [=======================>......] - ETA: 1s - loss: 0.3748 - acc: 0.8963
48672/60000 [=======================>......] - ETA: 1s - loss: 0.3734 - acc: 0.8967
49312/60000 [=======================>......] - ETA: 1s - loss: 0.3715 - acc: 0.8972
49856/60000 [=======================>......] - ETA: 0s - loss: 0.3696 - acc: 0.8977
50432/60000 [========================>.....] - ETA: 0s - loss: 0.3685 - acc: 0.8980
51072/60000 [========================>.....] - ETA: 0s - loss: 0.3672 - acc: 0.8985
51712/60000 [========================>.....] - ETA: 0s - loss: 0.3653 - acc: 0.8989
52384/60000 [=========================>....] - ETA: 0s - loss: 0.3634 - acc: 0.8995
53024/60000 [=========================>....] - ETA: 0s - loss: 0.3617 - acc: 0.9000
53504/60000 [=========================>....] - ETA: 0s - loss: 0.3610 - acc: 0.9003
54048/60000 [==========================>...] - ETA: 0s - loss: 0.3593 - acc: 0.9006
54624/60000 [==========================>...] - ETA: 0s - loss: 0.3577 - acc: 0.9010
55232/60000 [==========================>...] - ETA: 0s - loss: 0.3561 - acc: 0.9015
55808/60000 [==========================>...] - ETA: 0s - loss: 0.3545 - acc: 0.9019
56352/60000 [===========================>..] - ETA: 0s - loss: 0.3528 - acc: 0.9023
56992/60000 [===========================>..] - ETA: 0s - loss: 0.3514 - acc: 0.9027
57696/60000 [===========================>..] - ETA: 0s - loss: 0.3499 - acc: 0.9031
58368/60000 [============================>.] - ETA: 0s - loss: 0.3484 - acc: 0.9035
58848/60000 [============================>.] - ETA: 0s - loss: 0.3468 - acc: 0.9039
59520/60000 [============================>.] - ETA: 0s - loss: 0.3454 - acc: 0.9044
60000/60000 [==============================] - 6s 94us/step - loss: 0.3443 - acc: 0.9046
Epoch 2/2

   32/60000 [..............................] - ETA: 15s - loss: 0.0667 - acc: 1.0000
  704/60000 [..............................] - ETA: 4s - loss: 0.2199 - acc: 0.9375 
 1184/60000 [..............................] - ETA: 5s - loss: 0.2214 - acc: 0.9358
 1728/60000 [..............................] - ETA: 5s - loss: 0.2245 - acc: 0.9358
 2368/60000 [>.............................] - ETA: 5s - loss: 0.2321 - acc: 0.9375
 3136/60000 [>.............................] - ETA: 4s - loss: 0.2355 - acc: 0.9362
 3808/60000 [>.............................] - ETA: 4s - loss: 0.2261 - acc: 0.9380
 4384/60000 [=>............................] - ETA: 4s - loss: 0.2267 - acc: 0.9368
 5088/60000 [=>............................] - ETA: 4s - loss: 0.2225 - acc: 0.9373
 5856/60000 [=>............................] - ETA: 4s - loss: 0.2181 - acc: 0.9377
 6624/60000 [==>...........................] - ETA: 4s - loss: 0.2224 - acc: 0.9372
 7232/60000 [==>...........................] - ETA: 4s - loss: 0.2223 - acc: 0.9367
 7712/60000 [==>...........................] - ETA: 4s - loss: 0.2227 - acc: 0.9363
 8416/60000 [===>..........................] - ETA: 4s - loss: 0.2259 - acc: 0.9360
 9216/60000 [===>..........................] - ETA: 3s - loss: 0.2211 - acc: 0.9365
 9760/60000 [===>..........................] - ETA: 3s - loss: 0.2211 - acc: 0.9363
10432/60000 [====>.........................] - ETA: 3s - loss: 0.2185 - acc: 0.9370
11200/60000 [====>.........................] - ETA: 3s - loss: 0.2182 - acc: 0.9378
11936/60000 [====>.........................] - ETA: 3s - loss: 0.2172 - acc: 0.9384
12320/60000 [=====>........................] - ETA: 3s - loss: 0.2176 - acc: 0.9386
13056/60000 [=====>........................] - ETA: 3s - loss: 0.2170 - acc: 0.9390
13792/60000 [=====>........................] - ETA: 3s - loss: 0.2159 - acc: 0.9392
14464/60000 [======>.......................] - ETA: 3s - loss: 0.2156 - acc: 0.9390
15040/60000 [======>.......................] - ETA: 3s - loss: 0.2161 - acc: 0.9391
15776/60000 [======>.......................] - ETA: 3s - loss: 0.2128 - acc: 0.9403
16512/60000 [=======>......................] - ETA: 3s - loss: 0.2106 - acc: 0.9405
17152/60000 [=======>......................] - ETA: 3s - loss: 0.2098 - acc: 0.9407
17824/60000 [=======>......................] - ETA: 3s - loss: 0.2089 - acc: 0.9411
18560/60000 [========>.....................] - ETA: 3s - loss: 0.2096 - acc: 0.9415
19296/60000 [========>.....................] - ETA: 3s - loss: 0.2086 - acc: 0.9414
19936/60000 [========>.....................] - ETA: 3s - loss: 0.2074 - acc: 0.9419
20576/60000 [=========>....................] - ETA: 3s - loss: 0.2076 - acc: 0.9417
21216/60000 [=========>....................] - ETA: 3s - loss: 0.2063 - acc: 0.9422
21984/60000 [=========>....................] - ETA: 2s - loss: 0.2070 - acc: 0.9418
22560/60000 [==========>...................] - ETA: 2s - loss: 0.2061 - acc: 0.9421
23232/60000 [==========>...................] - ETA: 2s - loss: 0.2057 - acc: 0.9422
23840/60000 [==========>...................] - ETA: 2s - loss: 0.2059 - acc: 0.9420
24512/60000 [===========>..................] - ETA: 2s - loss: 0.2046 - acc: 0.9422
25184/60000 [===========>..................] - ETA: 2s - loss: 0.2042 - acc: 0.9423
25824/60000 [===========>..................] - ETA: 2s - loss: 0.2039 - acc: 0.9423
26464/60000 [============>.................] - ETA: 2s - loss: 0.2040 - acc: 0.9422
27072/60000 [============>.................] - ETA: 2s - loss: 0.2054 - acc: 0.9417
27648/60000 [============>.................] - ETA: 2s - loss: 0.2054 - acc: 0.9416
28160/60000 [=============>................] - ETA: 2s - loss: 0.2048 - acc: 0.9418
28640/60000 [=============>................] - ETA: 2s - loss: 0.2051 - acc: 0.9418
29216/60000 [=============>................] - ETA: 2s - loss: 0.2054 - acc: 0.9417
29696/60000 [=============>................] - ETA: 2s - loss: 0.2057 - acc: 0.9415
30304/60000 [==============>...............] - ETA: 2s - loss: 0.2053 - acc: 0.9418
30880/60000 [==============>...............] - ETA: 2s - loss: 0.2050 - acc: 0.9419
31488/60000 [==============>...............] - ETA: 2s - loss: 0.2044 - acc: 0.9420
32128/60000 [===============>..............] - ETA: 2s - loss: 0.2048 - acc: 0.9420
32736/60000 [===============>..............] - ETA: 2s - loss: 0.2048 - acc: 0.9419
33344/60000 [===============>..............] - ETA: 2s - loss: 0.2043 - acc: 0.9420
34016/60000 [================>.............] - ETA: 2s - loss: 0.2035 - acc: 0.9422
34688/60000 [================>.............] - ETA: 2s - loss: 0.2037 - acc: 0.9421
35360/60000 [================>.............] - ETA: 1s - loss: 0.2035 - acc: 0.9419
35936/60000 [================>.............] - ETA: 1s - loss: 0.2031 - acc: 0.9420
36576/60000 [=================>............] - ETA: 1s - loss: 0.2030 - acc: 0.9419
37216/60000 [=================>............] - ETA: 1s - loss: 0.2027 - acc: 0.9419
37856/60000 [=================>............] - ETA: 1s - loss: 0.2018 - acc: 0.9421
38528/60000 [==================>...........] - ETA: 1s - loss: 0.2014 - acc: 0.9422
39072/60000 [==================>...........] - ETA: 1s - loss: 0.2009 - acc: 0.9423
39744/60000 [==================>...........] - ETA: 1s - loss: 0.1998 - acc: 0.9425
40448/60000 [===================>..........] - ETA: 1s - loss: 0.1987 - acc: 0.9428
41120/60000 [===================>..........] - ETA: 1s - loss: 0.1986 - acc: 0.9429
41760/60000 [===================>..........] - ETA: 1s - loss: 0.1983 - acc: 0.9431
42336/60000 [====================>.........] - ETA: 1s - loss: 0.1985 - acc: 0.9431
43008/60000 [====================>.........] - ETA: 1s - loss: 0.1979 - acc: 0.9432
43776/60000 [====================>.........] - ETA: 1s - loss: 0.1978 - acc: 0.9432
44576/60000 [=====================>........] - ETA: 1s - loss: 0.1975 - acc: 0.9434
45216/60000 [=====================>........] - ETA: 1s - loss: 0.1976 - acc: 0.9434
45952/60000 [=====================>........] - ETA: 1s - loss: 0.1976 - acc: 0.9434
46752/60000 [======================>.......] - ETA: 1s - loss: 0.1973 - acc: 0.9435
47520/60000 [======================>.......] - ETA: 0s - loss: 0.1970 - acc: 0.9436
48192/60000 [=======================>......] - ETA: 0s - loss: 0.1971 - acc: 0.9434
48960/60000 [=======================>......] - ETA: 0s - loss: 0.1966 - acc: 0.9434
49664/60000 [=======================>......] - ETA: 0s - loss: 0.1970 - acc: 0.9434
50464/60000 [========================>.....] - ETA: 0s - loss: 0.1973 - acc: 0.9433
51200/60000 [========================>.....] - ETA: 0s - loss: 0.1970 - acc: 0.9435
51968/60000 [========================>.....] - ETA: 0s - loss: 0.1963 - acc: 0.9437
52608/60000 [=========================>....] - ETA: 0s - loss: 0.1961 - acc: 0.9437
53376/60000 [=========================>....] - ETA: 0s - loss: 0.1964 - acc: 0.9436
54144/60000 [==========================>...] - ETA: 0s - loss: 0.1967 - acc: 0.9434
54912/60000 [==========================>...] - ETA: 0s - loss: 0.1967 - acc: 0.9433
55680/60000 [==========================>...] - ETA: 0s - loss: 0.1963 - acc: 0.9435
56512/60000 [===========================>..] - ETA: 0s - loss: 0.1968 - acc: 0.9435
57280/60000 [===========================>..] - ETA: 0s - loss: 0.1962 - acc: 0.9437
57984/60000 [===========================>..] - ETA: 0s - loss: 0.1959 - acc: 0.9436
58720/60000 [============================>.] - ETA: 0s - loss: 0.1954 - acc: 0.9438
59488/60000 [============================>.] - ETA: 0s - loss: 0.1952 - acc: 0.9438
60000/60000 [==============================] - 5s 77us/step - loss: 0.1950 - acc: 0.9439

Testing......

   32/10000 [..............................] - ETA: 16s
 1472/10000 [===>..........................] - ETA: 0s 
 3040/10000 [========>.....................] - ETA: 0s
 4576/10000 [============>.................] - ETA: 0s
 6016/10000 [=================>............] - ETA: 0s
 7360/10000 [=====================>........] - ETA: 0s
 8384/10000 [========================>.....] - ETA: 0s
 9408/10000 [===========================>..] - ETA: 0s
10000/10000 [==============================] - 0s 44us/step
test loss 0.17443157320916652
test accuracy 0.9512

100天持续行动—Day01 Richard_DL
今天开始站着学习，发现效率大幅提升。把fast.ai的Lesson1的后半部分和Lesson2看完了。由于Keras版本和视频中的不一致，运行notebook时经常出现莫名其妙的错误，导致自己只动手实践了视频中的一小部分内容。为了赶时间，我打算先把与CNN相关的视频过一遍。然后尽快开始做自己的项目。明天继续加油，争取把Lesson3和Lesson4看完。
数据分析-24-时间序列预测之基于keras的VMD-LSTM和VMD-CNN-LSTM预测风速皮皮冰燃数据分析数据分析
文章目录1普通的LSTM模型1.1数据重采样1.2数据标准化1.3切分窗口1.4划分数据集1.5建立模型1.6预测效果2VMD-LSTM模型2.1VMD分解时间序列2.2对每一个IMF建立LSTM模型2.2.1IMF1—LSTM2.2.2IMF2-LSTM2.2.3统一代码2.3评估效果3CNN-LSTM模型3.1数据预处理3.2建立模型3.3效果预测4VMD-CNN-LSTM模型4.1VMD分解
chatgpt赋能python：如何在Python中安装Keras库？ turensu ChatGpt python chatgpt keras 计算机
如何在Python中安装Keras库？Keras是一个简单易用的神经网络库，由FrançoisChollet编写。它在Python编程语言中实现了深度学习的功能，可以使您更轻松地构建和试验不同类型的神经网络。如果您是一名Python开发人员，肯定会想知道如何在您的Python项目中安装Keras库。在本文中，我们将向您展示如何安装和配置Keras库。步骤1：安装Python要使用Keras库，您需
Keras深度学习框架入门及实战指南司莹嫣Maude
Keras深度学习框架入门及实战指南keraskeras-team/keras:是一个基于Python的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用Python深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址:https://gitcode.com/gh_mirrors/ke/keras一、项目介绍Keras简介Keras是一款高级神经网络
基于VGG的猫狗识别卑微小鹿 tensorflow tensorflow
由于猫和狗的数据在这里，所以就做了一下分类的神经网络1、首先进行图像处理：importcsvimportglobimportosimportrandomos.environ['TF_CPP_MIN_LOG_LEVEL']='2'importtensorflowastffromtensorflowimportkerasfromtensorflow.kerasimportlayersimportnum
TypeError: __init__() got an unexpected keyword argument ‘name‘ PinkAir debug python leetcode
WhenIwroteacustomclassofKeras,Imetthiserror.Solution:changefromthesnippetbelowclasscustconv2d(keras.layers.Layer):def__init__(self):super(custconv2d,self).__init__()self.k=self.add_weight(shape=(1,),i
ImportError: cannot import name ‘conv_utils‘ from ‘keras.utils‘ CheCacao keras 深度学习 python tensorflow tensorflow2 人工智能
将fromkeras.utilsimportconv_utils改为fromtensorflow.python.keras.utilsimportconv_utilsImportError:nomodulenamed'tensorflow.keras.engine将fromkeras.engine.topologyimportLayer改为fromtensorflow.python.keras.l
jupyter出错ImportError: cannot import name ‘np_utils‘ from ‘keras.utils‘ ，怎么解决？七月初七淮水竹亭～人工智能 python jupyter keras 深度学习
文章前言此篇文章主要是记录一下我遇到的问题以及我是如何解决的，希望下次遇到类似问题可以很快解决。此外，也希望能帮助到大家。遇到的问题出错：ImportError:cannotimportname'np_utils'from'keras.utils'，如图：如何解决首先我根据网上文章的一些提示，将fromkeras.utilsimportnp_utils换成了fromtensorflow.keras
python3.7安装keras教程_python 3.7 安装 sklearn keras(tf.keras) weixin_39641103
#1sklearn一般方法网上有很多教程，不再赘述。注意顺序是numpy+mkl，然后scipy的环境，scipy，然后sklearn#2anocondaanaconda原始的环境已经自带了sklearn，这里说一下新建环境（比如创建了一个tensorflow的环境），activatetensorflow2.0，然后condainstallsklearn即可，会帮你把各种需要的库都安装。#kera
Python高层神经网络 API库之Keras使用详解 Rocky006 python keras 开发语言
概要随着深度学习在各个领域的广泛应用，许多开发者开始使用各种框架来构建和训练神经网络模型。Keras是一个高层神经网络API，使用Python编写，并能够运行在TensorFlow、CNTK和Theano之上。Keras旨在简化深度学习模型的构建过程，使得开发者能够更加专注于实验和研究。本文将详细介绍Keras库，包括其安装方法、主要特性、基本和高级功能，以及实际应用场景，帮助全面了解并掌握该库的
【Python机器学习】循环神经网络（RNN）——传递数据并训练 zhangbin_237 Python机器学习机器学习 python rnn 人工智能开发语言深度学习神经网络
与其他Keras模型一样，我们需要向.fit()方法传递数据，并告诉它我们希望训练多少个训练周期（epoch）：model.fit(X_train,y_train,batch_size=batch_size,epochs=epochs,validation_data=(X_test,y_test))因为个人小电脑内存不足，所以吧maxlen参数改成了100重新运行。保存模型：model_struc
AttributeError: ‘tuple‘ object has no attribute ‘shape‘ 晓胡同学 keras 深度学习 tensorflow
AttributeError:‘tuple’objecthasnoattribute‘shape’在将keras代码改为tensorflow2代码的时候报了如下错误AttributeError:'tuple'objecthasnoattribute'shape'经过调查发现，损失函数写错了原来的是这样model.compile(loss=['binary_crossentropy'],optimi
Tensorflow中Keras搭建神经网络六步法及参数详解 -- Tensorflow自学笔记12 青瓷看世界 tensorflow 笔记人工智能深度学习神经网络
一.tf.keras搭建神经网络六步法1.import相关模块如importtensorflowastf。2.指定输入网络的训练集和测试集如指定训练集的输入x_train和标签y_train，测试集的输入x_test和标签y_test。3.逐层搭建网络结构model=tf.keras.models.Sequential()。4.在model.compile()中配置训练方法选择训练时使用的优化器、
Tensorflow2.16中的Keras包含哪些层(layers)?层的功能及参数详细解释 -- TensorFlow自学笔记6 青瓷看世界 tensorflow tensorflow keras 人工智能
在Keras中，层（Layer）是构建神经网络的基本组件。Keras提供了多种类型的层，用于处理不同类型的输入数据和执行特定的数学操作。英文版可参考TensorFlow官方文档：Module:tf.keras.layers|TensorFlowv2.16.1一.层的分类‌1.基本网络层‌1.1.Dense层用于执行全连接操作；1.2.卷积层Conv1D、Conv2D、Conv3D层，用于执行一维、
Tensorflow2 如何扩展现有数据集(缩放、随机旋转、水平翻转、平移等)，从而提高模型的准确率 -- Tensorflow自学笔记14 青瓷看世界 tensorflow 人工智能 python
实际生活中的数据集，往往不是标准的数据，而是有倾斜角度、有旋转、有偏移的数据，为了提高数据集的真实性，提高模型预测的准确率，可以用ImageDataGenerator函数来扩展数据集importtensorflowastffromtensorflow.keras.preprocessing.imageimportImageDataGeneratorimage_gen_train=ImageData
中文车牌识别系统 `End-to-end-for-Chinese-Plate-Recognition` 教程皮静滢Annette
中文车牌识别系统End-to-end-for-Chinese-Plate-Recognition教程End-to-end-for-chinese-plate-recognition基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件，其中unet和cv2用于车牌定位和矫正，cnn进行车牌识别，unet和cnn都是基于tensorflow的keras实现项目地址:https://gi
Keras-OCR：高效且易用的深度学习 OCR 库吕真想Harland
Keras-OCR：高效且易用的深度学习OCR库keras-ocrApackagedandflexibleversionoftheCRAFTtextdetectorandKerasCRNNrecognitionmodel.项目地址:https://gitcode.com/gh_mirrors/ke/keras-ocr是一个基于Python的开源库，它利用[Keras](https和TensorFl
Tensorflow、Keras、numpy对应参考版本（亲测有效）不太复杂的小部分 tensorflow keras numpy
在运行需要tensorflow框架的代码时在版本问题上踩了很多坑，试了一个有效的版本如下：TensorFlow：2.6.0Keras：2.6.0numpy：1.19.5安装TensorFlow和Keras以及numpy库（用的是清华源安装速度更快），在安装版本的过程中如果已经安装了旧的版本会自动卸载（用pycharm终端安装是这样的），所以不需要卸载直接在终端执行下面的pipinstall就可以了
【机器学习】任务二：波士顿房价的数据与鸢尾花数据分析及可视化 FHYAAAX 机器学习机器学习数据分析人工智能
目录1.实验知识准备1.1NumPy1.2Matplotlib库1.3scikit-learn库：1.4TensorFlow1.5Keras2.波士顿房价的数据分析及可视化2.1波士顿房价的数据分析2.1.1步骤一：导入所需的模块和包2.1.2步骤二：从Keras库中加载波士顿房价数据集2.1.3步骤三：加载本地CSV数据集2.1.4步骤四：划分特征和目标变量2.1.5步骤五：划分训练集和测试集2
T4周：猴痘病识别 KLaycurryifans 深度学习
本文为365天深度学习训练营中的学习记录博客原作者：K同学啊|接辅导、项目定制Z.心得感受+知识点补充1.ModelCheckpoint讲解函数原型：tf.keras.callbacks.ModelCheckpoint(filepath,monitor='val_loss',verbose=0,save_best_only=False,save_weights_only=False,mode='a
python利用深度学习(Keras)进行癫痫分类一夜白头催人泪 python开发深度学习人工智能
一、癫痫介绍癫痫，即俗称“羊癫风”，是由多种病因引起的慢性脑功能障碍综合症，是仅次于脑血管病的第二大脑部疾病。癫痫发作的直接原因是脑部神经元反复地突发性过度放电所导致的间歇性中枢神经系统功能失调。临床上常表现为突然意识丧失、全身抽搐以及精神异常等。癫痫给患者带来巨大的痛苦和身心伤害，严重时甚至危及生命，儿童患者会影响到身体发育和智力发育。脑电图是研究癫痫发作特征的重要工具，它是一种无创性的生物物理
人人都能懂的机器学习——用Keras搭建人工神经网络02 苏小菁在编程
感知机1957年，FrankRosenblatt发明了感知机，它是最简单的人工神经网络之一。感知机是基于一个稍稍有些不同的人工神经元——阈值逻辑元（TLU）（见图1.4），有时也被称为线性阈值元（LTU）。这种神经元的输入和输出不再是二进制的布尔值，而是数字。每一个输入连接都与权重值相关联，TLU将各个输入加权取和然后将其带入一个阶跃函数，并输出结果：上述计算过程如下图1.4所示图1.4阈值逻辑单
【Python机器学习】卷积神经网络（CNN）的工具包 zhangbin_237 Python机器学习机器学习 python cnn 神经网络自然语言处理开发语言
Python是神经网络工具包最丰富的语言之一。两个主要的神经网络架构分别是Theano和TensorFlow。这两者的底层计算深度依赖C语言，不过它们都提供了强大的PythonAPI。Torch在Python里面也有一个对应的API是PyTorch。这些框架都是高度抽象的工具集，适用于从头构建模型。Python社区开发了一些第三方库来简化这些底层架构的使用。其中Keras在API的友好性和功能性方
LSTM与文本生成 Jiang_Immortals 人工智能 lstm 人工智能 rnn
当使用Python和Keras构建LSTM模型时，可以按照以下步骤进行简单的文本生成：准备数据集：首先，将文本数据集进行预处理，例如分词、去除标点符号、将文本转换为小写等。创建一个词汇表，将每个唯一的单词映射到一个整数值，以便进行向量化。将文本序列划分为输入序列和目标序列。例如，对于句子“IloveAI”，输入序列是“Ilove”，目标序列是“AI”。构建LSTM模型：导入必要的库，如Keras和
自然语言处理--Keras 实现LSTM生成文本糯米君_ 自然语言处理 python 深度学习 nlp lstm 生成文本
令人兴奋的是，基于上一篇《keras实现LSTM字符级建模》的原理，使用LSTM我们可以根据之前文档出现过的字符来预测下一个字符，并且根据训练数据文本的特定的“风格”或“看法”生成新的文本。这很有趣，但我们将选择一个风格独特的人——威廉·莎士比亚（WilliamShakespeare），现根据他现有的作品来生成乍一看都有点儿像莎士比亚的作品的文本。fromnltk.corpusimportgute
CNN+LSTM小目标物体追踪检测实现完整代码数据可直接运行计算机毕设论文计算机毕设实战100例 cnn 人工智能深度学习小目标物体追踪追踪检测
视频讲解：CNN+LSTM小目标物体追踪检测实现_哔哩哔哩_bilibili项目效果：完整代码：importnumpyasnpimporttensorflowastffromtensorflow.keras.layersimportConv2D,MaxPooling2D,Flatten,LSTM,D
Python在人工智能方面的应用 Bruce_Liuxiaowei 总结经验编程笔记 python 人工智能开发语言
Python在人工智能方面的应用Python是一种功能强大的编程语言，它广泛应用于各种领域中，包括人工智能（ArtificialIntelligence）领域。随着人工智能技术的发展和普及，Python变得越来越重要，因为它提供了许多有用的库、框架和工具，可以帮助开发者快速地构建智能系统。机器学习机器学习是人工智能领域中的一种关键技术，它可以让计算机自动地学习和改进。Python中的Keras和T
python 打包docker 风行傲天 python docker 开发语言
python版本3.10使用flask项目打包1、创建requirements.txt列出项目所安装依赖，如：flaskstatsmodels==0.14.2neuralprophet==0.9.0keras==3.4.1scikit-learn==1.5.1tensorflow2、编写Dockerfile#拉取基础镜像FROMpython:3.10#镜像维护者的姓名和邮箱地址MAINTAINER
深度学习五种不同代码实现,神经网络,机器学习学呗～那不然呢 pycharm
第一种importnumpyasnpimporttensorflowastfmnist=tf.keras.datasets.mnistimportmatplotlib.pyplotaspltimportmatplotlibmatplotlib.use("TkAgg")(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train=x_train
人工智能开源库有哪些 openwin_top 人工智能人工智能开源 python
TensorFlow：由Google开发的深度学习库，提供了丰富的工具和API，支持CPU和GPU计算。PyTorch：由Facebook开发的深度学习框架，提供动态图和静态图两种模式，并且易于使用。Keras：基于TensorFlow、Theano和CNTK等深度学习库的高级API，可帮助用户快速构建神经网络。Scikit-learn：用Python编写的机器学习库，提供了许多常见的机器学习算法
枚举的构造函数中抛出异常会怎样 bylijinnan java enum 单例
首先从使用enum实现单例说起。为什么要用enum来实现单例？这篇文章（ http://javarevisited.blogspot.sg/2012/07/why-enum-singleton-are-better-in-java.html）阐述了三个理由： 1.enum单例简单、容易，只需几行代码： public enum Singleton { INSTANCE;
CMake 教程 aigo C++
转自：http://xiang.lf.blog.163.com/blog/static/127733322201481114456136/ CMake是一个跨平台的程序构建工具，比如起自己编写Makefile方便很多。介绍：http://baike.baidu.com/view/1126160.htm 本文件不介绍CMake的基本语法，下面是篇不错的入门教程： http:
cvc-complex-type.2.3: Element 'beans' cannot have character Cb123456 spring Webgis
cvc-complex-type.2.3: Element 'beans' cannot have character Line 33 in XML document from ServletContext resource [/WEB-INF/backend-servlet.xml] is i
jquery实例:随页面滚动条滚动而自动加载内容 120153216 jquery
<script language="javascript"> $(function (){ var i = 4;$(window).bind("scroll", function (event){ //滚动条到网页头部的高度，兼容ie,ff,chrome var top = document.documentElement.s
将数据库中的数据转换成dbs文件何必如此 sql dbs
旗正规则引擎通过数据库配置器（DataBuilder）来管理数据库，无论是Oracle，还是其他主流的数据都支持，操作方式是一样的。旗正规则引擎的数据库配置器是用于编辑数据库结构信息以及管理数据库表数据，并且可以执行SQL 语句，主要功能如下。 1)数据库生成表结构信息：主要生成数据库配置文件(.conf文
在IBATIS中配置SQL语句的IN方式 357029540 ibatis
在使用IBATIS进行SQL语句配置查询时，我们一定会遇到通过IN查询的地方，在使用IN查询时我们可以有两种方式进行配置参数：String和List。具体使用方式如下： 1.String:定义一个String的参数userIds，把这个参数传入IBATIS的sql配置文件，sql语句就可以这样写： <select id="getForms" param
Spring3 MVC 笔记（一） 7454103 spring mvc bean REST JSF
自从 MVC 这个概念提出来之后 struts1.X struts2.X jsf 。。。。。这个view 层的技术一个接一个！都用过！不敢说哪个绝对的强悍！要看业务，和整体的设计！最近公司要求开发个新系统！
Timer与Spring Quartz 定时执行程序 darkranger spring bean 工作 quartz
有时候需要定时触发某一项任务。其实在jdk1.3，java sdk就通过java.util.Timer提供相应的功能。一个简单的例子说明如何使用，很简单： 1、第一步，我们需要建立一项任务，我们的任务需要继承java.util.TimerTask package com.test; import java.text.SimpleDateFormat; import java.util.Date;
大端小端转换，le32_to_cpu 和cpu_to_le32 aijuans C语言相关
大端小端转换，le32_to_cpu 和cpu_to_le32 字节序 http://oss.org.cn/kernel-book/ldd3/ch11s04.html 小心不要假设字节序. PC 存储多字节值是低字节为先(小端为先, 因此是小端), 一些高级的平台以另一种方式(大端)
Nginx负载均衡配置实例详解 avords
[导读] 负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。负载均衡先来简单了解一下什么是负载均衡，单从字面上的意思来理解就可以解负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。负载均衡先来简单了解一下什么是负载均衡
乱说的 houxinyou 框架敏捷开发软件测试
从很久以前，大家就研究框架，开发方法，软件工程，好多！反正我是搞不明白！这两天看好多人研究敏捷模型，瀑布模型！也没太搞明白. 不过感觉和程序开发语言差不多，瀑布就是顺序，敏捷就是循环. 瀑布就是需求、分析、设计、编码、测试一步一步走下来。而敏捷就是按摸块或者说迭代做个循环，第个循环中也一样是需求、分析、设计、编码、测试一步一步走下来。也可以把软件开发理
欣赏的价值——一个小故事 bijian1013 有效辅导欣赏欣赏的价值
　　第一次参加家长会，幼儿园的老师说："您的儿子有多动症，在板凳上连三分钟都坐不了，你最好带他去医院看一看。"　　回家的路上，儿子问她老师都说了些什么，她鼻子一酸，差点流下泪来。因为全班30位小朋友，惟有他表现最差；惟有对他，老师表现出不屑，然而她还在告诉她的儿子："老师表扬你了，说宝宝原来在板凳上坐不了一分钟，现在能坐三分钟。其他妈妈都非常羡慕妈妈，因为全班只有宝宝
包冲突问题的解决方法 bingyingao eclipse maven exclusions 包冲突
包冲突是开发过程中很常见的问题：其表现有： 1.明明在eclipse中能够索引到某个类，运行时却报出找不到类。 2.明明在eclipse中能够索引到某个类的方法，运行时却报出找不到方法。 3.类及方法都有，以正确编译成了.class文件，在本机跑的好好的，发到测试或者正式环境就抛如下异常： java.lang.NoClassDefFoundError: Could not in
【Spark七十五】Spark Streaming整合Flume-NG三之接入log4j bit1129 Stream
先来一段废话：实际工作中，业务系统的日志基本上是使用Log4j写入到日志文件中的，问题的关键之处在于业务日志的格式混乱，这给对日志文件中的日志进行统计分析带来了极大的困难，或者说，基本上无法进行分析，每个人写日志的习惯不同，导致日志行的格式五花八门，最后只能通过grep来查找特定的关键词缩小范围，但是在集群环境下，每个机器去grep一遍，分析一遍，这个效率如何可想之二，大好光阴都浪费在这上面了
sudoku solver in Haskell bookjovi sudoku haskell
这几天没太多的事做，想着用函数式语言来写点实用的程序，像fib和prime之类的就不想提了（就一行代码的事），写什么程序呢？在网上闲逛时发现sudoku游戏，sudoku十几年前就知道了，学生生涯时也想过用C/Java来实现个智能求解，但到最后往往没写成，主要是用C/Java写的话会很麻烦。现在写程序，本人总是有一种思维惯性，总是想把程序写的更紧凑，更精致，代码行数最少，所以现
java apache ftpClient bro_feng java
最近使用apache的ftpclient插件实现ftp下载，遇见几个问题，做如下总结。 1. 上传阻塞，一连串的上传，其中一个就阻塞了，或是用storeFile上传时返回false。查了点资料，说是FTP有主动模式和被动模式。将传出模式修改为被动模式ftp.enterLocalPassiveMode();然后就好了。看了网上相关介绍，对主动模式和被动模式区别还是比较的模糊，不太了解被动模
读《研磨设计模式》-代码笔记-工厂方法模式 bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 工厂方法模式：使一个类的实例化延迟到子类 * 某次，我在工作不知不觉中就用到了工厂方法模式（称为模板方法模式更恰当。2012-10-29）： * 有很多不同的产品，它
面试记录语 chenyu19891124 招聘
或许真的在一个平台上成长成什么样，都必须靠自己去努力。有了好的平台让自己展示，就该好好努力。今天是自己单独一次去面试别人，感觉有点小紧张，说话有点打结。在面试完后写面试情况表，下笔真的好难，尤其是要对面试人的情况说明真的好难。今天面试的是自己同事的同事，现在的这个同事要离职了，介绍了我现在这位同事以前的同事来面试。今天这位求职者面试的是配置管理，期初看了简历觉得应该很适合做配置管理，但是今天面
Fire Workflow 1.0正式版终于发布了 comsci 工作 workflow Google
Fire Workflow 是国内另外一款开源工作流，作者是著名的非也同志，哈哈.... 官方网站是 http://www.fireflow.org 经过大家努力,Fire Workflow 1.0正式版终于发布了正式版主要变化: 1、增加IWorkItem.jumpToEx(...)方法，取消了当前环节和目标环节必须在同一条执行线的限制，使得自由流更加自由 2、增加IT
Python向脚本传参 daizj python 脚本传参
如果想对python脚本传参数，python中对应的argc, argv(c语言的命令行参数)是什么呢？需要模块：sys 参数个数：len(sys.argv) 脚本名： sys.argv[0] 参数1： sys.argv[1] 参数2： sys.argv[
管理用户分组的命令gpasswd dongwei_6688 passwd
NAME： gpasswd - administer the /etc/group file SYNOPSIS： gpasswd group gpasswd -a user group gpasswd -d user group gpasswd -R group gpasswd -r group gpasswd [-A user,...] [-M user,...] g
郝斌老师数据结构课程笔记 dcj3sjt126com 数据结构与算法
<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
yii2 cgridview加上选择框进行操作 dcj3sjt126com GridView
页面代码 <?=Html::beginForm(['controller/bulk'],'post');?> <?=Html::dropDownList('action','',[''=>'Mark selected as: ','c'=>'Confirmed','nc'=>'No Confirmed'],['class'=>'dropdown',])
linux mysql fypop linux
enquiry mysql version in centos linux yum list installed | grep mysql yum -y remove mysql-libs.x86_64 enquiry mysql version in yum repositoryyum list | grep mysql oryum -y list mysql* install mysq
Scramble String hcx2013 String
Given a string s1, we may represent it as a binary tree by partitioning it to two non-empty substrings recursively. Below is one possible representation of s1 = "great":
跟我学Shiro目录贴 jinnianshilongnian 跟我学shiro
历经三个月左右时间，《跟我学Shiro》系列教程已经完结，暂时没有需要补充的内容，因此生成PDF版供大家下载。最近项目比较紧，没有时间解答一些疑问，暂时无法回复一些问题，很抱歉，不过可以加群（334194438/348194195）一起讨论问题。 ----广告-----------------------------------------------------
nginx日志切割并使用flume-ng收集日志 liyonghui160com
nginx的日志文件没有rotate功能。如果你不处理，日志文件将变得越来越大，还好我们可以写一个nginx日志切割脚本来自动切割日志文件。第一步就是重命名日志文件，不用担心重命名后nginx找不到日志文件而丢失日志。在你未重新打开原名字的日志文件前，nginx还是会向你重命名的文件写日志，linux是靠文件描述符而不是文件名定位文件。第二步向nginx主
Oracle死锁解决方法 pda158 oracle
　select p.spid,c.object_name,b.session_id,b.oracle_username,b.os_user_name from v$process p,v$session a, v$locked_object b,all_objects c where p.addr=a.paddr and a.process=b.process and c.object_id=b.
java之List排序 shiguanghui list排序
在Java Collection Framework中定义的List实现有Vector，ArrayList和LinkedList。这些集合提供了对对象组的索引访问。他们提供了元素的添加与删除支持。然而，它们并没有内置的元素排序支持。　　你能够使用java.util.Collections类中的sort()方法对List元素进行排序。你既可以给方法传递
servlet单例多线程 utopialxw 单例多线程 servlet
转自http://www.cnblogs.com/yjhrem/articles/3160864.html 和 http://blog.chinaunix.net/uid-7374279-id-3687149.html Servlet 单例多线程 Servlet如何处理多个请求访问？Servlet容器默认是采用单实例多线程的方式处理多个请求的：1.当web服务器启动的

Keras学习（三）——分类classification

你可能感兴趣的:(Keras)