《Keras深度学习实战》 ── 基于TensorFlow和Theano创建神经网络
作者：[意大利] 安东尼奥·古利（Antonio Gulli），[印度] 苏伊特·帕尔（Sujit Pal） 著
在所有笔记中搜索你感兴趣的关键词!
作者：[意大利] 安东尼奥·古利（Antonio Gulli），[印度] 苏伊特·帕尔（Sujit Pal） 著
| 类型 | 方法 | 说明 |
|---|---|---|
| 模型 | keras.models.Sequential() | 创建顺序模型 |
| 模型 | keras.models.Sequential.add() | 向模型底部添加层 |
| 层 | keras.layers.Dense() | 创建全连接层 |
| 模型 | keras.models.Sequential.summary() | 显示模型网络摘要信息 |
| 模型 | keras.models.Sequential.compile() | 编译模型 |
| 模型 | keras.models.Sequential.fit() | 训练模型 |
| 模型 | keras.models.Sequential.predict() | 预测模型 |
| 层 | keras.layers.Flatten() | 展平处理 |
| 模型 | keras.models.Sequential.evaluate() | 模型测试 |
| 模型 | keras.models.Sequential.train_on_batch() | 在训练集数据的一批数据上进行训练 |
| 层 | keras.layers.Activation() | 创建激活层 |
| 公共工具 | keras.utils.to_categorical() | 将整型标签转为onehot |
| 层 | keras.layers.Dropout() | 层数据丢失处理（防止过拟合） |
| 层 | keras.layers.Convolution2D() | 二维卷积层对二维输入进行滑动窗卷积 |
| 层 | keras.layers.MaxPooling2D() | 施加最大值2D池化 |
| 模型 | keras.models.Sequential.save() | 保存模型 |
| 模型 | keras.models.load_model() | 载入模型 |
| 模型 | keras.models.Sequential.save_weights() | 保存模型参数 |
| 模型 | keras.models.Sequential.load_weights() | 载入模型参数 |
| 模型 | keras.models.Sequential.to_json() | 模型结构导出Json |
| 模型 | keras.models.model_from_json() | 从Json载入模型结构 |
| 模型 | keras.utils.vis_utils.plot_model() | 绘制模型结构图 |
| 层 | keras.layers.Input() | 模型输入层定义 |
| 层 | keras.layers.Reshape() | 将输入重新调整为特定的尺寸 |
| 层 | keras.layers.convolutional.Conv2D() | 2D卷积 |
| 层 | keras.layers.BatchNormalization() | 批量标准化 |
| 层 | keras.layers.convolutional.UpSampling2D() | 2D 输入的上采样层 |
| 层 | keras.layers.ZeroPadding2D() | 2D输入边界零填充层 |
| 层 | keras.layers.advanced_activations.LeakyReLU() | LeakyReLU激活层 |
| 层 | keras.layers.GlobalAveragePooling2D() | 全局平均值池化 |
| 层 | keras.layers.Embedding() | 将正整数（索引值）转换为固定尺寸的稠密向量 |
| 层 | keras.layers.Add() | 两个层相加 |
| 层 | keras.layers.DepthwiseConv2D() | 深度可分离2D卷积 |
| 存储 | keras.callbacks.ModelCheckpoint() | 在每个训练期之后保存模型。 |
| 训练 | keras.callbacks.ReduceLROnPlateau() | 当标准评估停止提升时，降低学习速率。 |
| 训练 | keras.callbacks.EarlyStopping() | 当被监测的数量不再提升，则停止训练。 |
| 训练 | keras.models.Sequential.fit_generator() | 使用 Python 生成器或 Sequence 实例逐批生成的数据，按批次训练模型。 |
评论 (0)