《Python深度学习实战:基于TensorFlow和Keras的聊天机器人》 —2 理解并运用Keras

举报
华章计算机 发表于 2020/02/13 20:50:06 2020/02/13
【摘要】 本节书摘来自华章计算机《Python深度学习实战:基于TensorFlow和Keras的聊天机器人》 一书中第2章,第2.1.1节,作者是[印] 纳温·库马尔·马纳西(Navin Kumar Manaswi),刘毅冰 薛 明 译。

第2章

理解并运用Keras

Keras是一个可在TensorFlow(或者是Theano或CNTK)之上运行的简单易学的高级Python深度学习库。它可以让开发者只需将注意力放在深度学习的主要概念上,比如为神经网络创建层,与此同时它兼顾考虑了张量形状和数学细节等重要的部分。TensorFlow(或者是Theano或CNTK)可以说是Keras的后端。你可以在没有与相对复杂的TensorFlow(或Theano或CNKT)做交互的情况下使用Keras来做深度学习的应用。现有两种主要的框架:序列API和函数式API。序列API的思想源自于大多数深度学习模型是一个由不同的层构成的序列。这是Keras最常见的运用和最简单的部分。序列模型可以被认为是层的线性栈。

简言之,你创建一个序列模型,你可以很容易地向其添加层,并且每层都可以有卷积、最大池化、激活、Dropout以及批量归一化等。让我们来浏览一下在Keras中创建深度学习的主要步骤。

2.1 深度学习模型构建的主要步骤

Keras中深度学习模型的四个核心部分如下:

1.定义模型。你可以创建一个序列模型并添加层。每一层可以包含一个或者多个卷积、池化、批量归一以及激活函数。

2.编译模型。在调用compile()函数之前,需要在模型中应用损失函数和优化器。

3.用训练数据拟合模型。通过调用fit()函数,你可以在训练数据上训练模型。

4.预测。这一步你可以用模型来对新数据生成预测,通过调用像evaluate()和predict()这样的函数来完成。

Keras中深度学习过程有八步:

1.载入数据

2.预处理数据

3.定义模型

4.编译模型

5.拟合模型

6.评估模型

7.预测

8.保存模型

2.1.1 载入数据

以下是如何载入数据:

 image.png

 


【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。