zzh_AI的博客

概念优化：代表通过调整模型来训练数据上表现最好。泛化：代表模型在未见过的数据上的表现。防止过拟合1.弄更多的训练数据2.调节模型储存的信息的质量，用来解决过拟合的方法叫做正则化。减少网络大小最简单的预防过拟合方法就是减少模型的大小。模型中可学习参数的数量被称为模型的“容量”。没有什么有魔力的公式能够决定层所需的正确数量，以及每一层的正确大小。你必须评估一系列不同的结构（在你的验证集上而不是测试集上）来找出你的数据的正确模型大小。一般的找到合适大小的流程是从一些相关的比较少的层数和参数开始，

评估模型归纳起来就是将数据分为训练、验证和测试三个部分简单的坚持验证集选一部分数据作为测试集，在剩余的数据上训练，最后在测试集上评估。num_validation_samples = 10000# Shuffling the data is usually appropriatenp.random.shuffle(data)# Define the validation setvalidation_data = data[:num_validation_samples]data = [

callbacks可以用来做这些事情：模型断点续训：保存当前模型的所有权重提早结束：当模型的损失不再下降的时候就终止训练，当然，会保存最优的模型。动态调整训练时的参数，比如优化的学习速度。推荐网址：https://www.jianshu.com/p/b05fb25de85c...

如何保存模型和权重1. 既储存模型结构，又包含其权重和配置信息使用keras.models.save(filepath)将Keras模型和权重保存在一个HDF5文件中，该文件包含： 模型的结构 模型的权重 训练配置（损失函数，优化器等） 优化器的状态，以便于从上次训练中断的地方开始使用Keras.models.load_model(filepath)来重新实例化模型，如果文件储存了训练配置，还会同时完成模型的编译。例子：from keras.models import load_m

3.概念数据格式目前主要有两种方式来表示张量：a) th模式或channels_first模式，Theano和caffe使用此模式。b）tf模式或channels_last模式，TensorFlow使用此模式。下面举例说明两种模式的区别：对于100张RGB3通道的16×32（高为16宽为32）彩色图，th表示方式：（100,3,16,32）tf 表示方式：（100,16,32,3）唯一的区别就是表示通道个数3的位置不一样。模型Keras有两种类型的模型，序贯模型（Sequential

Keras是由纯python编写的基于theano/tensorflow的深度学习框架。Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）b）支持CNN和RNN，或二者的结合c）无缝CPU和GPU切换1.Keras的模块结构2.使用Keras搭建一个神经网络...