Keras
Dense
ニューラルネットワーク構造の最も基本的な形式を意味する.
y = f(Wx+b)
# 사용법
dense = tf.keras.layers.Dense(...)
Drop out
Regulationを使用してOverfittingの問題を解決します.その中で最も代表的なのはDrop outです.
tf.keras.layers.Dropout(...)
Conv1D
コンボリューション演算の1つは、Conv 1 D、Conv 2 D、Conv 3 Dに分けられる.
|:--------|:--------------:|--------------:|
|Conv 1 D|一方向(横方向)|1-D array(ベクトル)|
|Conv 2 D|双方向(横、縦)|2-Dアレイ(マトリクス)|
|Conv 3 D|3方向(横、縦、高さ)|3-D array(テンソル)|
MaxPool1D
合成曲ニューラルネットワークと併用する方法の一つはPoyoungである.
通常、feature mapのサイズを縮小したりspecific featureを抽出したりするために、合成乗算後に適用される方法である.
次の2つに分類されます.
- max-pooling
Extract max value in feature map
- average-pooling
Extract mean value of whole value in feature map
#1. 객체 생성 후 apply 함수를 이용해 입력 값 설정
max_pool = tf.kears.layers.MaxPool1D(...)
max_pool.apply(input)
#2. 객체 생성 시 입력 값 설정
max_pool = tf.keras.layers.MaxPool1D(...)(input)
Example to use(above 4things)
SIZE_INPUT = (1, 28, 28)
input = tf.placeholder(tf.float32, shape = SIZE_INPUT)
dropOut = tf.kears.layers.Dropout(rate = 0.2)(input)
conv1 = tf.keras.layers.Conv1D(
filters = 10,
kernel_size=3,
padding='same'
activation=tf.nn.relu)(dropOut)
max_pool = tf.kears.layers.MaxPool1D(pool_size = 3, padding = 'same')(conv1)
flatten = tf.keras.layers.Flatten()(max_pool)
hidden = tf.keras.layers.Dense(units = 50, activation = tf.nn.relu)(flatten)
output = tf.kears.layers.Dense(units = 10, activation = tf.nn.softmax)(hidden)
Estimator
4つの機能があります.
- Train
- Evaluate
- Predict
- Export
Estimatorはすでに線形回帰,線形分類,深層ニューラルネットワーク分類器,深層ニューラルネットワーク回帰モデルなどの基本モデルを実現している.
Sequential model
ケラスのシーケンスモデルは単純な構造であり,コードのようにレイヤをシーケンス的に積層すればよい.
1)モデルの作成
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(units=64, input_dim=784))
model.add(Activation('softmax')
#다른 방법
model = Sequential([
Dense(64, input_shape=(784,), activation='softmax')])
2) Compilationシーケンスモデルを学習する前に、コンパイル(.compile)が必要です.
loss='mse', metrics=['accuracy'])
あるいは
model.compile(optimizer= tf.keras.optimizers.SGD(lr=0.02, momentum=0,4, nesterov=True,
loss='mse', metrics=['accuracy'])
*これは、より正確な関数設定
3) Training
.fit()を使用してトレーニングを行います.
model.fit(X_train, y_train)
Reference
この問題について(Keras), 我々は、より多くの情報をここで見つけました https://velog.io/@cosmicdev/Kerasテキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol