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.

Optimizer: 'sgd', 'adam', rmsprop'

損失機能:損失関数を設定する部分(「mse」、「カテゴリクロスエントロピー」)

Metrics:モデル性能指標関数モデル.compile(optimizer='adam',
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

です.
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)