Keras官方中文文档.pdf-资料库

harli-12048548-16359647308478333925.pdf-第1页.png

第1页 / 共316页

harli-12048548-16359647308478333925.pdf-第2页.png

第2页 / 共316页

harli-12048548-16359647308478333925.pdf-第3页.png

第3页 / 共316页

harli-12048548-16359647308478333925.pdf-第4页.png

第4页 / 共316页

harli-12048548-16359647308478333925.pdf-第5页.png

第5页 / 共316页

harli-12048548-16359647308478333925.pdf-第6页.png

第6页 / 共316页

harli-12048548-16359647308478333925.pdf-第7页.png

第7页 / 共316页

harli-12048548-16359647308478333925.pdf-第8页.png

第8页 / 共316页

目录致谢介绍主页为什么选择 Keras? 快速开始模型 Layers Sequential 顺序模型指引函数式 API 指引 FAQ 常见问题解答关于 Keras 模型 Sequential 顺序模型 API 函数式 API 关于 Keras 网络层核心网络层卷积层 Convolutional 池化层 Pooling 局部连接层 Locally-connected 循环层 Recurrent 嵌入层 Embedding 融合层 Merge 高级激活层 Advanced Activations 标准化层 Normalization 噪声层 Noise 层封装器 wrappers 编写你自己的层数据预处理序列预处理文本预处理图像预处理损失函数 Losses 评估标准 Metrics 优化器 Optimizers 本文档使用书栈(BookStack.CN) 构建 - 1 -

激活函数 Activations 回调函数 Callbacks 常用数据集 Datasets 预训练模型 Applications 后端 Backend 初始化 Initializers 正则化 Regularizers 约束 Constraints 可视化 Visualization Scikit-learn API 工具贡献本文档使用书栈(BookStack.CN) 构建 - 2 -

致谢致谢当前文档《Keras官方中文文档》由进击的皇虫使用书栈(BookStack.CN) 进行构建，生成于 2018-05-06。书栈(BookStack.CN) 仅提供文档编写、整理、归类等功能，以及对文档内容的生成和导出工具。文档内容由网友们编写和整理，书栈(BookStack.CN) 难以确认文档内容知识点是否错漏。如果您在阅读文档获取知识的时候，发现文档内容有不恰当的地方，请向我们反馈，让我们共同携手，将知识准确、高效且有效地传递给每一个人。同时，如果您在日常生活、工作和学习中遇到有价值有营养的知识文档，欢迎分享到书栈 (BookStack.CN) ，为知识的传承献上您的一份力量！如果当前文档生成时间太久，请到书栈(BookStack.CN) 获取最新的文档，以跟上知识更新换代的步伐。文档地址：http://www.bookstack.cn/books/keras-docs-zh 书栈官网：http://www.bookstack.cn 书栈开源：https://github.com/TruthHun 分享，让知识传承更久远！感谢知识的创造者，感谢知识的分享者，也感谢每一位阅读到此处的读者，因为我们都将成为知识的传承者。本文档使用书栈(BookStack.CN) 构建 - 3 -

介绍介绍 Chinese (zh-cn) translation of the Keras docs 排版规范 Typesetting 翻译对照列表 Conventions 来源(书栈小编注) Chinese (zh-cn) translation of the Keras docs 请访问 Keras官方中文文档。 Translation has done! 文档持续已完成，欢迎进一步修订。翻译过程中，请直接将 sources/ 中 .md 文件中的英文替换为中文。排版规范 Typesetting 此文档遵循中文排版指南规范，并在此之上遵守以下约定：英文的左右保持一个空白，避免中英文字黏在一起；使用全角标点符号；严格遵循 Markdown 语法；原文中的双引号（” “）请代换成中文的引号（「」符号怎么打出来见这里）；「加亮」和「加粗」和「链接」都需要在左右保持一个空格。翻译对照列表 Conventions 该翻译用于 zh-cn （简体中文，中国大陆地区）。当遇到以下专业术语的时候，请使用以下列表进行对照翻译。（未完待续） English arguments boolean data augumentation deep learning 中文参数布尔数据增强深度学习本文档使用书栈(BookStack.CN) 构建 - 4 -

介绍 float Functional API Fuzz factor input shape index int layer loss function metrics nD tensor Numpy Array objective optimizer output shape regularizer return recurrent Sequential Model shape target testing training wrapper Welcome to contribute!!! 来源(书栈小编注) https://github.com/keras-team/keras-docs-zh 浮点数函数式 API 模糊因子输入尺寸索引整数层损失函数评估标准 nD 张量 Numpy 矩阵目标优化器输出尺寸正则化器返回循环顺序模型尺寸目标测试训练封装器本文档使用书栈(BookStack.CN) 构建 - 5 -

主页主页 Keras: 基于 Python 的深度学习库你恰好发现了 Keras。指导原则快速开始：30 秒上手 Keras 安装指引使用 TensorFlow 以外的后端技术支持为什么取名为 Keras? Keras: 基于 Python 的深度学习库你恰好发现了 Keras。 Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。如果你在以下情况下需要深度学习库，请使用 Keras：允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。同时支持卷积神经网络和循环神经网络，以及两者的组合。在 CPU 和 GPU 上无缝运行。查看文档，请访问 Keras.io。 Keras 兼容的 Python 版本: Python 2.7-3.6。指导原则本文档使用书栈(BookStack.CN) 构建 - 6 -

主页用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。 Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。模块化。模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。易扩展性。新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。快速开始：30 秒上手 Keras Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它是由多个网络层线性堆叠的栈。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。 Sequential 顺序模型如下所示： 1. from keras.models import Sequential 2. 3. model = Sequential() 可以简单地使用 .add() 来堆叠模型： 1. from keras.layers import Dense 2. 3. model.add(Dense(units=64, activation='relu', input_dim=100)) 4. model.add(Dense(units=10, activation='softmax')) 在完成了模型的构建后, 可以使用 .compile() 来配置学习过程： 1. model.compile(loss='categorical_crossentropy', 2. optimizer='sgd', 3. metrics=['accuracy']) 如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。本文档使用书栈(BookStack.CN) 构建 - 7 -

主页 1. model.compile(loss=keras.losses.categorical_crossentropy, 2. optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True)) 现在，你可以批量地在训练数据上进行迭代了： 1. # x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。 2. model.fit(x_train, y_train, epochs=5, batch_size=32) 或者，你可以手动地将批次的数据提供给模型： 1. model.train_on_batch(x_batch, y_batch) 只需一行代码就能评估模型性能： 1. loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) 或者对新的数据生成预测： 1. classes = model.predict(x_test, batch_size=128) 构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？有关 Keras 更深入的教程，请查看：开始使用 Sequential 顺序模型开始使用函数式 API 在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。安装指引在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。 TensorFlow 安装指引。 Theano 安装指引。 CNTK 安装指引。你也可以考虑安装以下可选依赖：本文档使用书栈(BookStack.CN) 构建 - 8 -

资料库

Keras官方中文文档.pdf

相关推荐

人工智能

热门标签

最新资料