标签：llb ack orm activity sample ESS 输入 三维 ras
使用了一段时间的tensorflow，并且花费了比较大的精力学习了《实战google深度学习框架》这本书，发现纯粹使用tensorflow是比较繁琐的，所以抽时间学一下keras的内容，以后使用tensorflow和keras混编的方式做实验，在易用性和灵活性两方面取得一些折中，学习了tensorflow和基础的机器学习知识后，熟悉keras的难度并非很大。
# Dense表示全连接层，unit是神经元数目，一般来说仅对参数矩阵进行正则化，按照机器学习的传统，bias是不惩罚的，另外，此处的activity_regularizer很奇怪，为什么要添加输出惩罚，后续理解后添加，参数约束尚未学习，待更新
keras.layers.core.Dense(units, activation=None, use_bias=True, kernel_initializer=‘glorot_uniform‘, bias_initializer=‘zeros‘, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
#激活函数，tanh,sigmoid,relu等
keras.layers.core.Activation(activation)
#一定程度上可以减轻过拟合，目前见过的基本上只给出一个rate就行了
keras.layers.core.Dropout(rate, noise_shape=None, seed=None)
#平铺，lenet5模型中有此操作，实际上reshape可以代替这个层
keras.layers.core.Flatten()
#注意keras中往往不给出batch的大小，所以此处的target_shape往往是三维数据Height,Width,Channel
keras.layers.core.Reshape(target_shape)
#filters为卷积核个数，也就是输出通道数，kernel_size提供HW即可，比如3x3,dilation_rate和空洞卷积有关，目前还没有学完，待更新
keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1), padding=‘valid‘, data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=‘glorot_uniform‘, bias_initializer=‘zeros‘, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
#转置卷积，又叫反卷积或者分数滑动卷积，可以认为是输入先每两个像素之间补stride-1个0.然后根据情况在外圈补0，之后正常卷积的过程，FCN等许多论文中都使用了反卷积操作
keras.layers.convolutional.Conv2DTranspose(filters, kernel_size, strides=(1, 1), padding=‘valid‘, data_format=None, activation=None, use_bias=True, kernel_initializer=‘glorot_uniform‘, bias_initializer=‘zeros‘, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
#最大池化层，基本上都是用2x2池化，毕竟2x2池化已经丢失了75%信息了
keras.layers.pooling.MaxPooling2D(pool_size=(2, 2), strides=None, padding=‘valid‘, data_format=None)
#平均池化层，几乎没怎么看到，绝大多数还是最大池化层
keras.layers.pooling.AveragePooling2D(pool_size=(2, 2), strides=None, padding=‘valid‘, data_format=None)
#损失函数,我目前经常看到的是softmax交叉熵和最小方差损失，Hinge损失目前还没用过，其余损失函数没见过，暂时不看
categorical_crossentropy，mse，hinge
#优化器，使用optimizer.SGD()类似用法获取一个优化器，很汗颜一直没有读这些算法的实现，明天补，明天会更新算法原理
SGD，RMSprop，Adagrad，Adadelta，Adam，Adamax，Nadam，TFOptimizer
#编译model.complie，我猜想是类似tensorflow中sess.run(tf.global_variables_initializer())操作，激活计算图用的
#开始进行训练，给定训练集输入，输出，批的大小batch，训练的轮数epochs,callback回调函数列表，给与了我们进行一些自定义过程的自由，validation_split给出验证集比例
#一般来说训练集:验证集:测试集=6:2:2是比较好的，此处给0.33就可以了，默认shuffle，打乱数据，sample_weight暂时不太懂，待更新
fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)
#看一看模型在测试集的表现
score=evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)
# 进行一次前向传播完成一次预测
predict(self, x, batch_size=32, verbose=0)
标签：llb ack orm activity sample ESS 输入 三维 ras
原文地址：https://www.cnblogs.com/liuzhan709/p/9489563.html
