<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[winter_python的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/winter_python</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; winter_python]]></copyright><item><title><![CDATA[循环构建 Keras 模型，越来越慢的问题]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/109071466</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/109071466</guid><author>winter_python</author><pubDate>Wed, 14 Oct 2020 13:49:32 +0800</pubDate><description><![CDATA[Keras运行迭代一定次数以后，速度越来越慢，甚至有可能出现MemoryError。这很可能是因为在循环迭代过程中增加了新的计算节点，导致计算节点越来越多，内存被占用完，速度变慢。

判断是否在循环迭代过程中增加了新的计算节点，可以用下面的语句：

import tensorflow as tf
tf.Graph.finalize()
# or
tf.get_default_graph().finalize()

如果增加了新的计算节点，就会报错，如果没有报错，说明没有增加计算节点。

每次keras运行后]]></description><category></category></item><item><title><![CDATA[“sample“, “batch“, “epoch“ 分别是什么？]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108709383</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108709383</guid><author>winter_python</author><pubDate>Tue, 22 Sep 2020 09:27:20 +0800</pubDate><description><![CDATA[Sample: 样本，数据集中的一个元素，一条数据。
例1: 在卷积神经网络中，一张图像是一个样本。
例2: 在语音识别模型中，一段音频是一个样本。


Batch: 批，含有 N 个样本的集合。每一个 batch 的样本都是独立并行处理的。在训练时，一个 batch 的结果只会用来更新一次模型。
一个 batch 的样本通常比单个输入更接近于总体输入数据的分布，batch 越大就越近似。然而，每个 batch 将花费更长的时间来处理，并且仍然只更新模型一次。在推理（评估/预测）时，建议条件允许的情况下..]]></description><category></category></item><item><title><![CDATA[Keras学习笔记15——keras.utils]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108709286</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108709286</guid><author>winter_python</author><pubDate>Tue, 22 Sep 2020 09:26:39 +0800</pubDate><description><![CDATA[模型可视化
keras.utils.vis_utils 模块提供了一些绘制 Keras 模型的实用功能(使用 graphviz)。
以下实例，将绘制一张模型图，并保存为文件：
from keras.utils import plot_model
plot_model(model, to_file='model.png')

plot_model 有 4 个可选参数:

show_shapes (默认为 False) 控制是否在图中输出各层的尺寸。
show_layer_names (默认为 True) 控制]]></description><category></category></item><item><title><![CDATA[Keras学习笔记14——keras.constraints]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108709182</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108709182</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 14:02:29 +0800</pubDate><description><![CDATA[约束项的使用
constraints 模块的函数允许在优化期间对网络参数设置约束（例如非负性）。约束是以层为对象进行的。具体的 API 因层而异，但 Dense，Conv1D，Conv2D 和 Conv3D 这些层具有统一的 API。
约束层开放 2 个关键字参数：

kernel_constraint 用于主权重矩阵。
bias_constraint 用于偏置。

from keras.constraints import max_norm
model.add(Dense(64, kernel_const]]></description><category></category></item><item><title><![CDATA[Keras学习笔记13——keras.regularizers]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108709101</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108709101</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 13:58:11 +0800</pubDate><description><![CDATA[正则化器的使用
正则化器允许在优化过程中对层的参数或层的激活情况进行惩罚。 网络优化的损失函数也包括这些惩罚项。
惩罚是以层为对象进行的。具体的 API 因层而异，但 Dense，Conv1D，Conv2D 和 Conv3D 这些层具有统一的 API。
正则化器开放 3 个关键字参数：

kernel_regularizer: keras.regularizers.Regularizer 的实例
bias_regularizer: keras.regularizers.Regularizer 的实例
act]]></description><category></category></item><item><title><![CDATA[Keras学习笔记12——keras.initializers]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108706123</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108706123</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 13:55:08 +0800</pubDate><description><![CDATA[目录初始化器的用法可用的初始化器InitializerZerosOnesConstantRandomNormalRandomUniformTruncatedNormalVarianceScalingOrthogonalIdentitylecun_uniformlecun_normalglorot_normalglorot_uniformhe_normalhe_uniform使用自定义初始化器
初始化器的用法
初始化定义了设置 Keras 各层权重随机初始值的方法。
用来将初始化器传入 Keras 层的参数名]]></description><category></category></item><item><title><![CDATA[Keras学习笔记11——keras.applications]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108706036</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108706036</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 11:45:26 +0800</pubDate><description><![CDATA[来源
Keras 的应用模块（keras.applications）提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。当你初始化一个预训练模型时，会自动下载权重到 ~/.keras/models/ 目录下。
可用的模型
在 ImageNet 上预训练过的用于图像分类的模型：

Xception
VGG16
VGG19
ResNet, ResNetV2, ResNeXt
InceptionV3
InceptionResNetV2
MobileNet
Mob]]></description><category></category></item><item><title><![CDATA[Keras学习笔记10——keras.datasets]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108705941</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108705941</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 11:42:00 +0800</pubDate><description><![CDATA[来源
常用数据集 Datasets
CIFAR10 小图像分类数据集
50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 10 个类别。
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

CIFAR100 小图像分类数据集
50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 100 个类]]></description><category></category></item><item><title><![CDATA[Keras学习笔记9——keras.callbacks]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108705347</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108705347</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 11:37:55 +0800</pubDate><description><![CDATA[目录回调函数使用CallbackBaseLoggerTerminateOnNaNProgbarLoggerHistoryModelCheckpointEarlyStoppingRemoteMonitorLearningRateSchedulerTensorBoardReduceLROnPlateauCSVLoggerLambdaCallback创建一个回调函数例: 记录损失历史例: 模型检查点
来源
回调函数使用
回调函数是一个函数的合集，会在训练的阶段中所使用。你可以使用回调函数来查看训练模型的内在状态和]]></description><category></category></item><item><title><![CDATA[Keras学习笔记8——keras.layers.Activation]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108704983</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108704983</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 11:12:09 +0800</pubDate><description><![CDATA[目录激活函数的用法预定义激活函数softmaxeluselusoftplussoftsignrelutanhsigmoidhard_sigmoidexponentiallinear高级激活函数
来源
激活函数的用法
激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递 activation 参数实现：
from keras.layers import Activation, Dense

model.add(Dense(64))
model.add(Activation('tanh'))
# ]]></description><category></category></item><item><title><![CDATA[Keras学习笔记7——keras.optimizers]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108625899</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108625899</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 10:58:11 +0800</pubDate><description><![CDATA[参考：Keras中文文档

]]></description><category></category></item><item><title><![CDATA[Keras学习笔记6——keras.metrics]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108704181</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108704181</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 10:31:53 +0800</pubDate><description><![CDATA[目录可使用的评价函数binary_accuracycategorical_accuracysparse_categorical_accuracytop_k_categorical_accuracysparse_top_k_categorical_accuracy自定义评价函数
评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。
from keras import metrics

model.compile(loss='mean_square]]></description><category></category></item><item><title><![CDATA[Keras学习笔记5——keras.losses]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108704039</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108704039</guid><author>winter_python</author><pubDate>Mon, 21 Sep 2020 10:26:33 +0800</pubDate><description><![CDATA[损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一：
from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='sgd')
# or
model.compile(loss='mean_squared_error', optimizer='sgd')

可用损失函数

mean_squared_error
mean_absolute_error
mean_absolute_percent]]></description><category></category></item><item><title><![CDATA[Keras学习笔记4——keras.preprocessing]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108615737</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108615737</guid><author>winter_python</author><pubDate>Thu, 17 Sep 2020 08:57:00 +0800</pubDate><description><![CDATA[目录1. 序列预处理2. 文本预处理3. 图片预处理
1. 序列预处理
填充序列pad_sequences
keras.preprocessing.sequence.pad_sequences(sequences, maxlen=None, dtype='int32',
    padding='pre', truncating='pre', value=0.)

将长为nb_samples的序列（标量序列）转化为形如(nb_samples,nb_timesteps)2D numpy array。如果提供了]]></description><category></category></item><item><title><![CDATA[Keras学习笔记3——keras.layers]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108612636</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108612636</guid><author>winter_python</author><pubDate>Tue, 15 Sep 2020 23:56:16 +0800</pubDate><description><![CDATA[参考:
Keras入门简介
&gt;&gt;&gt; import keras
&gt;&gt;&gt; dir(keras.layers)
['Activation', 'ActivityRegularization', 'Add', 'AlphaDropout', 'AtrousConvolution1D', 'AtrousConvolution2D', 'Average', 'AveragePooling1D', 'AveragePooling2D', 'AveragePooling3D', 'Avg]]></description><category></category></item><item><title><![CDATA[Keras学习笔记2——keras.models]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108596133</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108596133</guid><author>winter_python</author><pubDate>Tue, 15 Sep 2020 14:04:55 +0800</pubDate><description><![CDATA[Sequential() 实例
Sequential 采用多个网络层堆叠
文章来源：Keras中文文档
第一步，模型初始化
from keras.models import Sequential
from keras.layers import Dense

# step1 ：模型初始化
model = Sequential()
# 使用 .add() 来堆叠模型，构建所需的神经网络
# 模型需要知道它所期望的输入的尺寸，顺序模型中的第一层需要接收关于其输入尺寸的信息。
model.add(Dense(un]]></description><category></category></item><item><title><![CDATA[Keras学习笔记1——Keras简介]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108593538</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108593538</guid><author>winter_python</author><pubDate>Tue, 15 Sep 2020 11:14:49 +0800</pubDate><description><![CDATA[Keras简介
Keras: 基于 Python 的深度学习库。
Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。
Keras安装
根据已经安装的TensorFlow版本安装Keras： pip install Kears==2.3.1

Keras使用
参考：深度学习：Keras入门(一)之基础篇
Keras的模块结构
使用Keras搭建一个神经网络
数据格]]></description><category></category></item><item><title><![CDATA[pandas: concat、append、merge、join]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108574866</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108574866</guid><author>winter_python</author><pubDate>Mon, 14 Sep 2020 14:00:13 +0800</pubDate><description><![CDATA[pandas.concat
pandas.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True)
Concatenate pandas objects along a particular axis with optional set logic along..]]></description><category></category></item><item><title><![CDATA[anaconda 安装Mosek]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108086150</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108086150</guid><author>winter_python</author><pubDate>Tue, 18 Aug 2020 19:47:03 +0800</pubDate><description><![CDATA[conda install -c mosek mosek

Windows:
在“c:\users_userid_”下创建文件夹“\mosek”
将license “mosek.lic”放在该文件夹下，即可使用
Unix/OS X:
/home/userid/mosek/mosek.lic
Where userid is your User ID on the computer.

]]></description><category></category></item><item><title><![CDATA[anaconda 安装 PuLP]]></title><link>https://blog.youkuaiyun.com/winter_python/article/details/108085295</link><guid>https://blog.youkuaiyun.com/winter_python/article/details/108085295</guid><author>winter_python</author><pubDate>Tue, 18 Aug 2020 19:18:07 +0800</pubDate><description><![CDATA[在 Ananconda Prompt 中输入

搜索pulp包

anaconda search -t conda pulp


2. 展示安装方式
anaconda show conda-forge/pulp



安装

conda install --channel https://conda.anaconda.org/conda-forge pulp


]]></description><category></category></item></channel></rss>