Con Keras marco modelo de clasificación de imágenes ---- la formación de Notas de Estudio

Aprender OpenCV espacios de estacionamiento reconocimiento, modelo de red neuronal utilizada en la formación, el uso Keras marco.
Anote uno señala el estudio.
Keras documentos chinos
Keras documento oficial resume varios principios Keras marco rector:

1. Fácil de usar
2. Modular (estructura en nuestras propias redes neuronales de tiempo, en particular, la capa de red neuronal, pérdida de la función, optimizador, método de inicialización, la función de activación, método de regularización, que son los bloques de construcción se pueden combinar con el nuevo modelo.)
3. Fácil de ampliar
4. Python implementado basa
   estructura de datos del núcleo es Keras Modelo , el más simple es el orden del modelo secuencial ,
   para estructuras más complejas, no Keras funcional de la API , que permite la construcción de cualquier red neural de la figura.

Desde la simple estructura secuencial secuencial de inicio:

modelo secuencial es capas de una pila lineales

estructura de la secuencia que da la sensación de que una línea de abajo, todos los módulos necesarios desplegable.

from keras.models import Sequential
model = Sequential()

En primer lugar, la entrada 1 de la forma de la forma

La determinación de una entrada de datos de la forma a través de la primera modelo secuencial modelo de capas, solamente necesitamos definir en la primera capa, puesto que las otras capas
se pueden inferir automáticamente forma.

A continuación, en el uso de .add()modelo de apilado.
Densa en el significado de los parámetros del
significado de los parámetros

from keras.layers import Dense
# units表示该层输出的维度
# activation表示激活函数
# input_dim表示张量的维度
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

1. parámetro input_shape transmitida a la primera capa. Esta es una tupla, Ninguno representa cualquier número entero puede ser de entrada. Este parámetro no contiene el tamaño del lote.
2. Para la entrada de dos dimensiones con input_dimel desarrollo de la entrada de dimensión.
3. Para la entrada tridimensional, los parámetros input_dimy input_length
4. Para el tamaño fijo de la tanda, a continuación, utilizar el parámetro batch_size, si tanto la transferencia batch_size=32y la entrega input_shape=(6, 8), la forma de cada lote se introducen (32, 6, 8)

2 compilación

Especifica los datos de forma antes de los modelos de formación necesitan para compileconfigurar el proceso de aprendizaje.
Después de construir el modelo, utilizamos .compilepara configurar el proceso de aprendizaje.

from keras import optimizers
# loss表示损失函数
# optimizer表示优化器选择随机梯度下降
# metrics表示评价指标，为准确率
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

• Optimizador de optimizer
  documentos oficiales Optimizer

Todos Keras optimizador de parámetros comunes
CP: aprender tasa
clipnorm: gradiente de corte

• La pérdida de función loss
  de los documentos oficiales
  de la función de pérdida generalmente comestibles incluyen:

mean_squared_error (error cuadrático medio)

keras.losses.mean_squared_error(y_true, y_pred)

mean_absolute_error (error absoluto medio)

keras.losses.mean_absolute_error(y_true, y_pred)

mean_absolute_percentage_error (error porcentual absoluto medio)

keras.losses.mean_absolute_percentage_error(y_true, y_pred)

binary_crossentropy (la entropía Mutual)

keras.losses.binary_crossentropy(y_true, y_pred, from_logits=False, label_smoothing=0)

función de pérdida es un modelo intentos de minimizar el objetivo
de los cuales:
los objetivos reales del tensor: y_true.
y_pred: el tensor prevista del blanco.

• Rendimiento metrics
  de los documentos oficiales
  dispuesto normalmente exactitudmetrics=['accuracy']

binary_accuracy

keras.metrics.binary_accuracy(y_true, y_pred, threshold=0.5)

categorical_accuracy

keras.metrics.categorical_accuracy(y_true, y_pred)

sparse_categorical_accuracy

keras.metrics.sparse_categorical_accuracy(y_true, y_pred)

modelo de formación 3 inicio

Keras modelo de formación en Numpy conjunto de datos de entrada y etiquetas. Utilizar fitlos modelos de formación.
Documentos oficiales

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
model.fit(x_train, y_train, epochs=5, batch_size=32)

Cada época de entrenamiento fijos
itera sobre los conjuntos de datos

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False)

Parámetro Descripción:
xindica los datos de entrada,

array 1.Numpy (o matriz como matriz) matriz o lista (si el modelo tiene una pluralidad de entradas).
2. Si la entrada modelo llamado, a continuación, introduzca el nombre dict será asignado a la matriz correspondiente / tensor.
3. generador keras.utils.Sequence o retorno (entradas, objetivos), o (entradas, objetivos, pesos de la muestra) .
4. Si la entrada se devuelve desde el propio tensor (por ejemplo TensorFlow tensor de datos) del marco, en comparación Ninguno (predeterminado).

yRepresenta los datos de destino
batch_sizerepresenta el número de muestras por gradiente de actualización, por lo general a un número entero o Ninguno. Si no se especifica, el valor predeterminado es batch_size 32.
epochsLa representación se divide en varios lotes para entrenar el modelo, se establece en un entero. Cada lote de datos iterativos.
verboseVisualmente representa el proceso de formación, 0,1,2, en la que 1 representa una barra de progreso, cada lote de formación 2 representa una fila.

4 Grabar Vuelta

propiedades History.history con grabación consecutiva valores de pérdida de entrenamiento época y las métricas, la verificación y la validación del valor de la métrica de la pérdida.

5 modelo de evaluación final

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False)

El valor de retorno de la pérdida de modelos patrón de prueba (pérdida), y los valores de índice (métricas).
Interpretación de los parámetros de prueba de documentos oficiales