2020.11.14,在一番繁琐的安装之后,终于把keras安装上了

迫不及待的开始试验

keras的后端引擎是tensorflow

keras介绍

引用文献:keras官网

Keras 是一个用 Python 编写的高级神经网络 API,它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果,是做好研究的关键。

如果你在以下情况下需要深度学习库,请使用 Keras:

  • 允许简单而快速的原型设计(由于用户友好,高度模块化,可扩展性)。
  • 同时支持卷积神经网络和循环神经网络,以及两者的组合。
  • 在 CPU 和 GPU 上无缝运行。

我通过anaconda安装了GPU和CPU版本,由于我的GPU内存较低

下面是keras简单的小例子

from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
#导入MNIST数据集
from keras import models 
from keras import layers #导入层
network = models.Sequential()
network.add(layers.Dense(512, activation='relu',input_shape=(28 * 28,)))  #relu函数
network.add(layers.Dense(10, activation='softmax'))  #softmax函数

network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])  #编译步骤

#准备图像数据
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

#准备标签
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

拟合操作
network.fit(train_images, train_labels, epochs=2, batch_size=10)

执行结果如下

...
59910/60000 [============================>.] - ETA: 0s - loss: 0.1182 - acc: 0.9726
59990/60000 [============================>.] - ETA: 0s - loss: 0.1180 - acc: 0.9726
60000/60000 [==============================] - 45s 749us/step - loss: 0.1180 - acc: 0.9726

可以看到精确度为97.26%

以上过程就是keras的hello world!

说明,也许你的结果会不一样,我测试的最高精度为99%

Last modification:November 20, 2020
如果觉得我的内容对你有用,请随意赞赏