zhuzuwei的博客

1. Dense层：就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。keras.layers.core.

一、卷积层1. conv2D层：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_initial

1. BatchNormalization层：该层在每个batch上将前一层的激活值重新规范化，即使得其输出数据的均值接近0，其标准差接近1keras.layers.normalization.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001,center=True, scale=True, beta_initia

一、Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。两类模型有一些方法是相同的：·       model.summary()：打印出模型概况，它实际调用的是keras.utils.print_summary·       model.get_config():返回包含模型配置信息的

继续Kaggle手写识别的改进使用Keras能简化代码和提升效率，Keras的序贯模型参考我的另一篇文章 Keras学习笔记四：序贯模型（Sequential）。一、 使用的模型是三个卷积层+2个全连接层二、使用np_utils.to_categorical()函数将标签进行one-hot编码。三、 在训练模型即运行fit()函数之前必须要先compile编译模型，否则会出错，原作