1.keras Explicação do parâmetro da função de normalização do lote axis = 3: https://www.zhihu.com/question/318398221
dicas:
O papel da camada BN: (1) acelerar a convergência (2) controlar o ajuste excessivo, que pode ser usado menos Ou não use Dropout e regularização (3) Reduza a insensibilidade da rede aos pesos de inicialização (4) Permita uma taxa de aprendizado maior
2. A operação de preenchimento zero em Keras: ZeroPadding2D ((3,3)) (X_input)
explicou o seguinte: padding = (1,0), adicionará uma linha 0 no início e no final da linha. Por exemplo, o tamanho original é (Nenhum, 20,11,1), depois de preenchido se tornará (Nenhum, 22,11,1) .Preenchimento
= (1,1), estará na frente e no final da linha e coluna Adicione uma linha de 0. Por exemplo, o tamanho original é (Nenhum, 20, 11, 1) e, após preenchimento, ele se tornará (Nenhum, 22, 13, 1)
Nota: No processo de reprodução de uma rede, o autor usa uma ampla Convolução, ou seja, o comprimento é N e o tamanho do filtro é w, o resultado após a convolução é N + W-1. Isso é consistente com a operação de convolução no processamento de sinal digital. Não há como usar a API do keras, portanto, use preenchimento.
Link original: https://blog.csdn.net/lujiandong1/article/details/54918320
3. Explicação detalhada do Keras.layers.Dense: https://blog.csdn.net/weixin_42499236/article/details/84624195
4)
Nota:
Os nomes das variáveis usadas pela estrutura Keras são diferentes das variáveis numpy e TensorFlow que usamos anteriormente. Ele não cria novas variáveis (como X, Z1, A1, Z2, A2, ...) em cada etapa da propagação direta para facilitar os cálculos entre diferentes camadas. No Keras, usamos X para cobrir todos os valores, sem salvar cada camada de resultados, precisamos apenas do valor mais recente, a única exceção é X_input, separamos porque são os dados de entrada, queremos estar no final Foi usado na etapa de criação do modelo.
6.jupyter importar e exibir imagens
img_path = 'smile.jpg'
img = image.load_img(img_path,target_size = (64,64))
imshow(img)
x = image.img_to_array(img)
x = np.expand_dims(x,axis = 0)
x = preprocess_input(x)
print(happy_model.predict(x))