重庆学校网站推广,网站模块图片尺寸,光伏电站建设的国家网站,wordpress 留言簿Intro
这是深度学习第7课。
到目前为止#xff0c;您构建的模型依赖于预先训练的模型。 但它们不是许多用例的理想解决方案。 在本课程中#xff0c;您将学习如何构建全新的模型。
Lesson
[1]
from IPython.display import YouTubeVideo
YouTubeVideo(YbNE3zhtsoo, widt…Intro
这是深度学习第7课。
到目前为止您构建的模型依赖于预先训练的模型。 但它们不是许多用例的理想解决方案。 在本课程中您将学习如何构建全新的模型。
Lesson
[1]
from IPython.display import YouTubeVideo
YouTubeVideo(YbNE3zhtsoo, width800, height450)
Sample Code
[2]
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from tensorflow.python import keras
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Flatten, Conv2D, Dropoutimg_rows, img_cols 28, 28
num_classes 10def data_prep(raw):out_y keras.utils.to_categorical(raw.label, num_classes)num_images raw.shape[0]x_as_array raw.values[:,1:]x_shaped_array x_as_array.reshape(num_images, img_rows, img_cols, 1)out_x x_shaped_array / 255return out_x, out_ytrain_file ../input/digit-recognizer/train.csv
raw_data pd.read_csv(train_file)x, y data_prep(raw_data)model Sequential()
model.add(Conv2D(20, kernel_size(3, 3),activationrelu,input_shape(img_rows, img_cols, 1)))
model.add(Conv2D(20, kernel_size(3, 3), activationrelu))
model.add(Flatten())
model.add(Dense(128, activationrelu))
model.add(Dense(num_classes, activationsoftmax))model.compile(losskeras.losses.categorical_crossentropy,optimizeradam,metrics[accuracy])
model.fit(x, y,batch_size128,epochs2,validation_split 0.2)
/opt/conda/lib/python3.6/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from float to np.floating is deprecated. In future, it will be treated as np.float64 np.dtype(float).type.from ._conv import register_converters as _register_convertersTrain on 33600 samples, validate on 8400 samples
Epoch 1/2
33600/33600 [] - 56s 2ms/step - loss: 0.2454 - acc: 0.9292 - val_loss: 0.0823 - val_acc: 0.9749
Epoch 2/2
33600/33600 [] - 58s 2ms/step - loss: 0.0650 - acc: 0.9810 - val_loss: 0.0590 - val_acc: 0.9820tensorflow.python.keras._impl.keras.callbacks.History at 0x7fa843394978 Exercise: Modeling from Scratch
Introduction
您已经了解了如何从头开始构建模型以识别手写数字。 您现在将构建一个模型来识别不同类型的服装。 为了制作快速训练的模型我们将使用非常小低分辨率的图像。 例如您的模型将采用这样的图像并将其识别为鞋子 Data Preparation
代码如下您不需要去修改他运行一下代码。
【3】
import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.python import kerasimg_rows, img_cols 28, 28
num_classes 10def prep_data(raw, train_size, val_size):y raw[:, 0]out_y keras.utils.to_categorical(y, num_classes)x raw[:,1:]num_images raw.shape[0]out_x x.reshape(num_images, img_rows, img_cols, 1)out_x out_x / 255return out_x, out_yfashion_file ../input/fashionmnist/fashion-mnist_train.csv
fashion_data np.loadtxt(fashion_file, skiprows1, delimiter,)
x, y prep_data(fashion_data, train_size50000, val_size5000)
Specify Model
STEPS:
创建顺序模型。 称之为fashion_model。 将3个Conv2D图层添加到fashion_model。 使每个层有12个过滤器kernel_size为3和relu激活。 您需要为第一个Conv2D图层指定input_shape。 在这种情况下输入形状是img_rowsimg_cols1。在最后一个Conv2D图层之后将fashionten图层添加到fashion_model。 在Flatten图层之后将具有100个神经元的Dense图层添加到fashion_model。将预测图层添加到fashion_model。 这是一个密集层。 我们已经有一个名为num_classes的变量。 指定此层中的节点数时请使用此变量。 激活应该是softmax或者你以后会遇到问题。
【4】
from tensorflow.python import keras
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Flatten, Conv2D# Your Code Here
Compile Model
运行命令fashion_model.compile。指定以下参数
loss keras.losses.categorical_crossentropyoptimizer adammetrics [accuracy]
【5】
# Your code to compile the model in this cell
Fit Model
运行命令fashion_model.fit。你将会用到的参数有
The first two are arguments are the data used to fit the model, which are x and y respectively.batch_size 100epochs 4validation_split 0.2
当你运行此命令时你会看到你的模型正在改善您将看到验证的准确性。
[6]
# Your code to fit the model here
Keep Going
继续了解这里的strides和dropout.。
