怎样使用tensorflow和Keras

今天就跟大家聊聊有关怎样使用tensorflow和Keras，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。人工神经网络(ANNs)是机器学习技术的高级版本，是深度学习的核心。人工神经网络涉及以下概念。输入输出层、隐藏层、隐藏层下的神经元、正向传播和反向传播。简单地说，输入层是一组自变量，输出层代表最终的输出(因变量)，隐藏层由神经元组成，在那里应用方程和激活函数。前向传播讨论方程的具体形式以获得最终输出，而反向传播则计算梯度下降以相应地更新参数。当一个ANN包含一个很深的隐藏层时，它被称为深度神经网络(DNN)。DNN具有多个权重和偏差项，每一个都需要训练。反向传播可以确定如何调整所有神经元的每个权重和每个偏差项，以减少误差。除非网络收敛到最小误差，否则该过程将重复。算法步骤如下：得到训练和测试数据以训练和验证模型的输出。所有涉及相关性、离群值处理的统计假设仍然有效，必须加以处理。输入层由自变量及其各自的值组成。训练集分为多个batch。训练集完整的训练完称为一个epoch。epoch越多，训练时间越长每个batch被传递到输入层，输入层将其发送到第一个隐藏层。计算该层中所有神经元的输出(对于每一个小批量)。结果被传递到下一层，这个过程重复，直到我们得到最后一层的输出，即输出层。这是前向传播：就像做预测一样，除了所有中间结果都会被保留，因为它们是反向传播所需要的然后使用损失函数测量网络的输出误差，该函数将期望输出与网络的实际输出进行比较计算了每个参数对误差项的贡献该算法根据学习速率(反向传播)执 香港云主机行梯度下降来调整权重和参数，并且该过程会重复进行重要的是随机初始化所有隐藏层的权重，否则训练将失败。例如，如果将所有权重和偏移初始化为零，则给定层中的所有神经元将完全相同，因此反向传播将以完全相同的方式影响它们，因此它们将保持相同。换句话说，尽管每层有数百个神经元，但你的模型将表现得好像每层只有一个神经元：它不会太聪明。相反，如果你随机初始化权重，你就打破了对称性，允许反向传播来训练不同的神经元激活函数是梯度下降的关键。梯度下降不能在平面上移动，因此有一个定义良好的非零导数是很重要的，以使梯度下降在每一步都取得进展。Sigmoid通常用于logistic回归问题，但是，也有其他流行的选择。这个函数是S形的，连续的，输出范围在-1到+1之间。在训练开始时，每一层的输出或多或少都以0为中心，因此有助于更快地收敛。对于小于0的输入，它是不可微的。对于其他情况，它产生良好的输出，更重要的是具有更快的计算速度。函数没有最大输出，因此在梯度下降过程中可能出现的一些问题得到了很好的处理。假设f(x)=2x+5和g(x)=3x-1。两个输入项的权重是不同的。在链接这些函数时，我们得到的是，f(g(x))=2(3x-1)+5=6x+3，这又是一个线性方程。非线性的缺失表现为深层神经网络中等价于一个线性方程。这种情况下的复杂问题空间无法处理。在处理回归问题时，我们不需要为输出层使用任何激活函数。在训练回归问题时使用的损失函数是均方误差。然而，训练集中的异常值可以用平均绝对误差来处理。Huber损失也是基于回归的任务中广泛使用的误差函数。当误差小于阈值t(大多为1)时，Huber损失是二次的，但当误差大于t时，Huber损失是线性的。与均方误差相比，线性部分使其对异常值不太敏感，并且二次部分比平均绝对误差更快地收敛和更精确的数字。分类问题通常使用二分类交叉熵、多分类交叉熵或稀疏分类交叉熵。二分类交叉熵用于二分类，而多分类或稀疏分类交叉熵用于多类分类问题。你可以在下面的链接中找到有关损失函数的更多详细信息。注：分类交叉熵用于因变量的one-hot表示，当标签作为整数提供时，使用稀疏分类交叉熵。https://keras.io/api/losses/我们将使用Kaggle的信用数据开发一个使用Jupyter Notebook的欺诈检测模型。同样的方法也可以在google colab中实现。数据集包含2013年9月欧洲持卡人通过信用卡进行的交易。此数据集显示两天内发生的交易，其中284807笔交易中有492宗欺诈。数据集高度不平衡，正类(欺诈)占所有交易的0.172%。https://www.kaggle.com/mlg-ulb/creditcardfraud数据集由以下属性组成。时间、主要成分、金额和类别。更多信息请访问Kaggle网站。由于大多数属性都是主成分，所以相关性总是0。唯一可能出现异常值的列是amount。下面简要介绍一下这方面的统计数据。异常值对于检测欺诈行为至关重要，因为基本假设是，较高的交易量可能是欺诈活动的迹象。然而，箱线图并没有揭示任何具体的趋势来验证上述假设。数量和主成分分析变量使用不同的尺度，因此数据集是标准化的。标准化在梯度下降中起着重要作用。标准化数据的收敛速度要快得多。输出：上面的输出表明我们有29个自变量要处理，因此输入层的形状是29。任何人工神经网络架构的一般结构概述如下。units — 输出尺寸activation — 激活函数，如果未指定，则不使用任何内容use_bias — 布尔值，如果使用偏置项kernel_initializer — 核权重的初始值设定项bias_initializer —偏置向量的初始值设定项。我们创建了一个具有一个输入、两个隐藏和一个输出层的神经网络输入层有29个变量和10个神经元。所以权重矩阵的形状是10 x 29，而偏置矩阵的形状是10 x 1第1层参数总数=10 x 29+10 x 1=300第一层有10个输出值，使用tanh作为激活函数。第二层有5个神经元和10个输入，因此权重矩阵为510，偏置矩阵为51第2层总参数=5 x 10+5 x 1=55最后，输出层有一个神经元，但是它有5个不同于隐藏层2的输入，并且有一个偏置项，因此神经元的数量=5+1=6TensorBoard是一个很好的交互式可视化工具，可用于查看训练期间的学习曲线、比较多个运行的学习曲线、分析训练指标等。此工具随TensorFlow自动安装。如前所述，对于一个问题空间，有多少隐藏层或多少神经元最适合，并没有预定义的规则。我们可以使用随机化searchcv或GridSearchCV来超调一些参数。可微调的参数概述如下：隐藏层数隐藏层神经元优化器学习率epoch声明函数以开发模型使用包装类克隆模型创建随机搜索网格检查最佳参数优化器也应该微调，因为它们影响梯度下降、收敛和学习速率的自动调整。Adadelta -Adadelta是Adagrad的一个更健壮的扩展，它基于梯度更新的移动窗口来调整学习速率，而不是累积所有过去的梯度随机梯度下降-常用。需要使用搜索网格微调学习率Adagrad-对于所有参数和其他优化器的每个周期，学习速率都是恒定的。然而，Adagrad在处理误差函数导数时，会改变每个参数的学习速率“”，并在每个时间步长“t”处改变ADAM-ADAM(自适应矩估计)利用一阶和二阶动量来防止跳越局部极小值，保持了过去梯度的指数衰减平均值一般来说，通过增加层的数量而不是每层神经元的数量，可以获得更好的输出。看完上述内容，你们对怎样使用tensorflow和Keras有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注开发云行业资讯频道，感谢大家的支持。

相关推荐: Vmware 6.5+Ubuntu 9.04 vmtools如何安装

这篇文章将为大家详细讲解有关Vmware 6.5+Ubuntu 9.04 vmtools如何安装，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。由于6.5版本的vmware的vmtools的默认安装存在一些问题，貌似是和新的 …