qq_35925375的博客

Keras搭建卷积神经网络1.卷积Conv2D2.批标准化BN（Batch Normalization）3.激活Activation4.池化Pool2D5.舍弃Dropout总结卷积就是特征提取器，就是CBAPD。1.卷积Conv2DTensorFlow给出了计算卷积的函数：tf.keras.layers.Conv2D(filters = 卷积核个数,kernel_size = 卷积核尺寸, #正方形写核长整数，或（核高h，核宽w）strides = 滑动步长, #横纵向相同写步长整数，或

识物应用：通过训练好的网络，实现对自己手写的数字的识别代码为：from PIL import Imageimport numpy as npimport tensorflow as tfmodel_save_path = './checkpoint/mnist.ckpt'#复现模型（构建一个与之前训练过的模型相同的网络）model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.laye

其实，在我们进行六步法中的model.fit()时，loss和acc就已经自动保存了，那么只要使用history就可以将其复现，代码如下：#loss是训练集loss，val_loss是测试集loss#sparse_categorical_accuracy是训练集sparse_categorical_accuracy，val_sparse_categorical_accuracy是测试集sparse_categorical_accuracyacc = history.history['sparse_ca

断点续训和提取参数一、断点续训1.读取模型：2.保存模型：二、参数提取完整代码一、断点续训断点续训是指，如果之前训练过现在要做的模型，则可以通过读入之前训练过的模型及其参数，拿来训练现在要做的目标模型，这样可以节省训练时间，加快训练效率。1.读取模型：在之前已经保存过的模型中读取，被保存的模型名应该是ckpt为后缀的，index为后缀的是模型的索引：load.weights(路径文件名)代码为：#判断如果目标文件存在，则直接读取模型checkpoint_save_path = "./ch

自制数据集mnist一.目标二.准备条件三、编写函数完整程序为：书写数字数据集mnist的制作一.目标将数据集制作成和我们之前到dataset里下载的数据集格式一样，即测试集和训练集的输入特征与标签一一对应，而且要令输入特征是数组形式（因为像mnist数据，我们最原始的输入特征是图片，我们要将图片转化成与它像素值大小相同的数组如28*28）。二.准备条件准备条件，也就是在自制数据集前我们应该有什么。我们应该有：1.一个x_train文件夹和一个x_test文件夹，这两个文件夹里放的分别是训练集的

神经网络八股的六步法搭建一、import导入相关包二、train、test训练集、测试集获取三、Sequential搭建网络结构四、compile配置训练方法五、fit执行训练过程六、summary打印网络结构和参数统计完整代码一、import导入相关包例如：import tensorflow as tffrom tensorflow.keras.layers import Denseimport numpy as np#......等等二、train、test训练集、测试集获取告知要喂