TensorFlow人工智能學習Keras高層接口應用示例
1.metrics
keras.metrics可以用來對數(shù)據(jù)進行記錄跟蹤,當我們的數(shù)據(jù)量太大,又想在中間就看看訓練的情況的時候,可以使用此接口。步驟如下:
①創(chuàng)建Meter
通過metrics中帶有的借口,創(chuàng)建一個meter。
②更新數(shù)據(jù)
當我們在某一行代碼得到了需要的數(shù)據(jù)的時候,就可以調用update_state方法,將數(shù)據(jù)進行更新。注意,不同的方法需要傳入的參數(shù)是不一樣的。
③獲取數(shù)據(jù)
我們可以設置在某個節(jié)點或狀態(tài)的時候,獲取當前的meter所存儲的數(shù)據(jù)。
④重置狀態(tài)
當一個階段數(shù)據(jù)記錄查看結束后,使用reset_states重置meter,記錄下一階段。
2.快捷訓練
生成了一個模型之后,有compile, fit, evalute, predict等接口可以調用,這可以使得我們的訓練很容易實現(xiàn)。
①compile
這個方法中可以指定:優(yōu)化器+lr,損失,準確率等。
②fit
完成compile之后,直接調用fit,給出訓練數(shù)據(jù),指定epoch就可以了。
以上兩行,就可以直接完成訓練,訓練過程中會返回一些基本信息,訓練周期,數(shù)據(jù)量,使用的時間,每一步使用的時間,每一個周期后的損失值等。
fit中還可以給出validation_data = test_data, validation_freq=2,也就是循環(huán)2次訓練,就進行一次測試,會打印出測試分數(shù)??梢娤旅媲闆r已經(jīng)過擬合了。
③evaluate
調用這個方式之后,會在訓練完成后,進行測試,并打印出測試結果。
④predict
這個其實和network(x)是一樣的,就是完成前向傳播。
以上就是TensorFlow人工智能Keras高層接口應用示例的詳細內容,更多關于TensorFlow人工智能Keras高層接口的資料請關注腳本之家其它相關文章!
相關文章
matplotlib之Font family [‘sans-serif‘] not&nbs
本文主要介紹了matplotlib之Font family [‘sans-serif‘] not found的問題解決,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2023-03-03Python實現(xiàn)隨機生成手機號及正則驗證手機號的方法
這篇文章主要介紹了Python實現(xiàn)隨機生成手機號及正則驗證手機號的方法,涉及Python基于random模塊的隨機數(shù)以及基于re模塊的正則驗證相關操作技巧,需要的朋友可以參考下2018-04-04Python實現(xiàn)PDF文字識別提取并寫入CSV文件
這篇文章主要是和大家分享一個Python實現(xiàn)PDF文字識別與提取并寫入?CSV文件的腳本。文中的示例代碼講解詳細,感興趣的小伙伴可以了解一下2022-03-03python之Django自動化資產(chǎn)掃描的實現(xiàn)
這篇文章主要介紹了python之Django自動化資產(chǎn)掃描的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2021-04-04