Keras 是一个 Python 深度学习**框架**,方便地定义和训练几乎所有类型的深度学习模型。
* 相同的代码可以在 CPU 或 GPU 上**无缝切换**运行。
* 具有用户**友好的 API**,便于快速开发深度学习模型的原型。
* 内置支持**卷积网络**(用于**计算机视觉**)、**循环网络**(用于**序列处理**)以及二者的任意组合。
* 支持**任意网络架构**:多输入或多输出模型、层共享、模型共享等。
Keras 能够构建任意深度学习模型,无论是生成式对抗网络还是神经图灵机。
*****
Keras 是一个模型级(model-level)的**库**,为开发深度学习模型提供了高层次的**构建模块**。
Keras*****不处理*****张量操作、求微分等低层次的*****运算*****。
*****
Keras**依赖**于一个专门的、高度优化的**张量库**来完成这些**运算**
**张量库**:Keras 的**后端引擎**(backend engine),**TensorFlow** 后端(推荐)、**Theano** 后端和**微软认知工具包**(CNTK,Microsoft cognitive toolkit)后端。
![](https://img.kancloud.cn/5f/f5/5ff5ab87de715a907d3552497af946e1_638x313.png)
*****
**TensorFlow**
* 在CPU上运行时,TensorFlow本身封装了一个低层次的张量运算库,叫作Eigen
* 在GPU上运行时,TensorFlow封装了一个高度优化的深度学习运算库,叫作NVIDIA CUDA深度神经网络库(cuDNN)
- 基础
- 张量tensor
- 整数序列(列表)=>张量
- 张量运算
- 张量运算的几何解释
- 层:深度学习的基础组件
- 模型:层构成的网络
- 训练循环 (training loop)
- 数据类型与层类型、keras
- Keras
- Keras 开发
- Keras使用本地数据
- fit、predict、evaluate
- K 折 交叉验证
- 二分类问题-基于梯度的优化-训练
- relu运算
- Dens
- 损失函数与优化器:配置学习过程的关键
- 损失-二分类问题
- 优化器
- 过拟合 (overfit)
- 改进
- 小结
- 多分类问题
- 回归问题
- 章节小结
- 机械学习
- 训练集、验证集和测试集
- 三种经典的评估方法
- 模型评估
- 如何准备输入数据和目标?
- 过拟合与欠拟合
- 减小网络大小
- 添加权重正则化
- 添加 dropout 正则化
- 通用工作流程
- 计算机视觉
- 卷积神经网络
- 卷积运算
- 卷积的工作原理
- 训练一个卷积神经网络
- 使用预训练的卷积神经网络
- VGG16
- VGG16详细结构
- 为什么不微调整个卷积基?
- 卷积神经网络的可视化
- 中间输出(中间激活)
- 过滤器
- 热力图
- 文本和序列
- 处理文本数据
- n-gram
- one-hot 编码 (one-hot encoding)
- 标记嵌入 (token embedding)
- 利用 Embedding 层学习词嵌入
- 使用预训练的词嵌入
- 循环神经网络
- 循环神经网络的高级用法
- 温度预测问题
- code
- 用卷积神经网络处理序列
- GRU 层
- LSTM层
- 多输入模型
- 回调函数
- ModelCheckpoint 与 EarlyStopping
- ReduceLROnPlateau
- 自定义回调函数
- TensorBoard_TensorFlow 的可视化框架
- 高级架构模式
- 残差连接
- 批标准化
- 批再标准化
- 深度可分离卷积
- 超参数优化
- 模型集成
- LSTM
- DeepDream
- 神经风格迁移
- 变分自编码器
- 生成式对抗网络
- 术语表