首页 > TAG信息列表 > keras
使用Keras实现 基于注意力机制（Attention）的 LSTM 时间序列预测
对于时间步的注意力机制首先我们把它git clone 到本地，然后配置好所需环境 笔者的 tensorflow版本为1.6.0 Keras 版本为 2.0.2 打开文件夹，我们主要需要的是attention_lstm.py 以及 attention_utils.py 脚本项目中生成数据的函数为def get_data_recurrent(n, time_steps, input_dim,门控多层感知器 (gMLP)：它是什么以及如何在 Tensorflow 和 Keras 的实践中使用它？
门控多层感知器 (gMLP)：它是什么以及如何在 Tensorflow 和 Keras 的实践中使用它？ gMLP 是一种基于 MLP 的无自注意力的 Transformers 替代方案，它仅由通道投影和具有静态参数化的空间投影组成。它在 NLP 和计算机视觉任务上展示了近乎最先进的结果，但使用的可训练参数比相应的 Transf一个好玩的deep learning Demo！
对于生活中的熟悉的动物，我们人脑经过一次扫描，便可以得到该动物的物种！那么机器是如何识别这个图片上的动物是属于哪一物种呢？ 本次实验借生活中最常见的猫和狗来探究其原理！ 环境准备： tensorflow ，python，一些data 实验预期： 当模型训练完成后，我们可以用该模型去预测一张图片属于哪conda安装报错：PermissionError [Errno 13] Permission denied
原文链接 Anaconda创建环境，激活环境 conda create，keras安装失败： PermissionError [Errno 13] Permission denied Anaconda创建虚拟环境： conda create -n my_root Linux激活环境： source activate my_root Windows下激活环境： activate my_root 安装keras： conda install keraskeras.utils.to_categorical方法
用法：to_categorical(y, num_classes=None, dtype='float32') 将整型的类别标签转为onehot编码。y为int数组，num_classes为标签类别总数，大于max(y)（标签从0开始的）。 返回：如果num_classes=None，返回len(y) * [max(y)+1]（维度，m*n表示m行n列矩阵，下同），否则为len(y) * num_classes。 importKeras基础
人工智能 人类的大脑之所以被称为智能，是因为它拥有学习和分析的能力，我们可以通过观察身边的事物来学习他们的规律，然后根据这个规律对未知结果的问题给出答案。 “对未知结果的问题给出答案”这件事按照数学思想来分类，可以分为“预测”问题和“分类”问题。 在大多数情况下，生活中的错误：AttributeError: module 'tensorflow.keras.xxxx' has no attribute 'xxxx'
因为tensorflow前后版本api变化大，常常会出现某某module不存在，推荐使用官方文档去查找api并按照特定的版本 tensorflow api 推荐的版本 tensorflow1.15 tensorflow2.6GPU版线性回归
#import keras #import numpy as np #import matplotlib.pyplot as plt #from keras.models import Sequential #全连接层 #from keras.layers import Dense import numpy as np import matplotlib.pyplot as plt from tensorflow import keras from tensorflow.keras.modelKeras模型训练过程中loss为Nan情况分析与处理
情景： 推荐召回模型训练，开始的几个epoch损失正常下降，在到某个epoch下loss突然为nan，但模型仍在继续training，最终在模型预测时，结果都为零。 查阅相关资料，可能的原因如下： 1）训练集中可能出现为NAN的特征； 2）自定义loss函数中，会存在分母为零的异常，可以加入微小的长度以保持其稳定性； 3）超参【生成对抗网络学习 其二】GAN（keras实现）代码阅读笔记
想来想去还是记录一下吧，主要是怕以后时间长忘了 好记性不如烂笔头 代码来自eriklindernoren的开源GAN实现：https://github.com/eriklindernoren/Keras-GAN 主要是添加了一些注解，大家可以参考原工程来看 因为dcgan本质上与gan没什么区别（在实现时就是把全连接层换成卷积层了而已），所以深度学习：Keras入门(一)之基础篇
1.关于Keras 1）简介 Keras是由纯python编写的基于theano/tensorflow的深度学习框架。 Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras： a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） b）支持CNN和RNN，或二者的【706】Keras官网语义分割例子解读
参考：Image segmentation with a U-Net-like architecture 目录： 准备输入数据和目标分割掩膜的路径 通过 Sequence class 来加载和向量化数据 Keras构建模型 设置验证集 模型训练 预测结果可视化 1. 准备输入数据和目标分割掩膜的路径 设置参数值：输入数据尺寸、分类数、btensorflow学习笔记
Tensorflow是一个基于计算图的深度学习库，可以用它多快好省的完成现代绝大部分深度学习的任务。 实现下面的代码，核心过程如下： import tensorflow as tf a=tf.constant(32) #创建常量 b=tf.constant(10) #创建常量 c=tf.add(a,b) print(a) print(b) print(c) tensorflow只Tensorflow学习报告
# -*- coding: utf-8 -*- """ Created on Mon Apr 11 23:34:27 2022 @author: Binnie """ import tensorflow as tf from tensorflow import keras # Helper libraries import numpy as np import matplotlib.pyplot as plt print(tf.__verTensorFlow 学习报告
TensorFlow学习报告 1.从张量开始 1.1实际数据转为浮点数 由于浮点数是网络处理信息的方式，因此我们需要一种方法，将我们希望处理的真实世界的数据编码为网络可理解的数据，然后将输出解码为我们可以理解和使用的数据。 深度神经网络通常在不同阶段学习将数据从一种形式转换为学习报告
import tensorflow as tf from tensorflow import keras # Helper libraries import numpy as np import matplotlib.pyplot as plt print(tf.__version__) fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fas人工智能第五章学习报告
【案例5.1】导入TensorFlow，测试版本，并创建打印一个tf常量，获取常量的值import tensorflow as tf print(tf.__version__) a=tf.constant(2.0) print(a) 运行结果： 【案例5.2】在Tensorflow2.x的环境中使用1.x版本的代码 import tensorflow.compat.v1 as tf tf.disabl人工智能导论
人工智能导论 1）人工智能：让机器像人一样具有一些能力，扩展人的智慧。 2）机器学*： 不显式编程地赋予计算机能力的研究领域。 3）AIOps： Artificial Intelligence for IT Operations，智能化运维，将人工智能应用于运维领域，基于已有的运维数据（日志、监控信息、应用信息等），通过机器学*的方式来进keras调用flow_from_directory()出现“Found 0 images belonging to 2 classes”问题
图像分类时，keras调用flow_from_directory()出现“Found 0 images belonging to 5 classes”问题 代码如下： from tensorflow import keras from keras_preprocessing import image train_datagen = image.ImageDataGenerator( #..... fill_mode = 'nearest', vMLP、CNN在MNIST数据集上性能对比
对MLP、简单CNN和多层CNN区别做简单性能对比 MLP（需将图片宽高数据转换成一维数据形式） from keras.datasets import mnist from matplotlib import pyplot as plt import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.utils impokeral报错未解析的引用'Model'
from keras.layers import Input, Dense, Dropout, Activation, Flatten, Conv2D, Conv1D, MaxPooling1D, concatenate, \ BatchNormalization, MaxPooling2D from keras.models import Model # 若干代码 model.compile(optimizer='adam', loss='categorical_tensorflow学习020——标量和自定义标量的tensorboard显示
tensorboard通过读取tensorflow的事件文件来运行，tendorflow的事件文件包括了在tensorflow运行中涉及到的主要数据 点击查看代码 import tensorflow as tf import datetime import os (train_image,train_labels),(test_image,test_labels) = tf.keras.datasets.mnist.load_data(深度学习环境安装所需软件介绍cuda+cudnn+driver+anaconda+keras+tensorFlow+Pycharm+Jupyer(下载地址+配图)
英伟达(NVIDIA)显卡驱动 我们平时用的电脑都配有显卡，要么是集成显卡，要么是独立显卡； 集成显卡是不支持gpu加速的，独立显卡分为A卡和N卡，即AMD和NVIDIA； A卡是不支持gpu加速的，只有部分N卡才支持gpu加速， 可以查询是自己的显卡是否在支持的列表中 如果不知道自己的显示是什么型号可Tensorflow(三） tf.keras的相关东西
一 什么是Keras Keras是一个由Python编写的开源人工神经网络库，可以作Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。 Keras相当于比Tensorflow和Theano更高一层的库，其可以以Tensor【深度学习】基于Keras的Data Augmentation方法
首先为什么我们需要对数据集进行Data Augmentation 对于现有的数据集来说，有些时候往往是不够的。举个例子，汽车识别，如果训练集当中只有汽车的正方位的图片，那么如果我们需要识别的图片是汽车的侧方位，这就导致了识别率的不高进行了数据加强，那么就能够让机器有足够的训练集去训练