Keras深度學(xué)習(xí)入門中的編程環(huán)境Jupyter是怎樣的

Keras深度學(xué)習(xí)入門中的編程環(huán)境Jupyter是怎樣的，相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

一、運(yùn)行 Jupyter

Jupyter在編輯過程中，每編輯一段代碼，就可以運(yùn)行一段代碼，運(yùn)行的結(jié)果也將直接顯示在代碼下方， 方便查看。 在數(shù)據(jù)科學(xué)領(lǐng)域， 需要頻繁的進(jìn)行數(shù)據(jù)清洗，查看，以及畫圖， 非常需要這種交互式的開發(fā)環(huán)境。

運(yùn)行以及編輯的所有結(jié)果會保存在文件中，后續(xù)只要把文件分享給別人， 就可以看到你的一系列操作。

Jupyter以段落為主的編輯模式：

啟動jupyter， 系統(tǒng)提示如下錯誤：

C:\WINDOWS\system32>jupyter notebook

AttributeError: type object 'IOLoop' has no attribute 'initialized'

原因：

tornado版本過高，如下圖為5.1.1，不支持jupyter notebook.

conda install tornado=4.5

啟動jupyter， 啟動成功

為了便于文件管理， 指定工作路徑啟動:

jupyter notebook D:\g_learn\jupyter

二、通過Jupter，來進(jìn)行Keras環(huán)境檢查：

新建一個python文件，命名為keras_evn,保存

Python 版本檢查，輸入命令!python --version,用 [shift +enter]運(yùn)行基礎(chǔ)包導(dǎo)入檢查，用 [shift +enter]運(yùn)行，正常檢查安裝版本三、用Python實現(xiàn)感知機(jī)，為了便于理解keras的各種api的作用：

前向傳播：通過輸入層輸入，并且一路向前計算出輸出的結(jié)果。

反向傳播：通過輸出反向更新權(quán)重的過程。差值*學(xué)習(xí)率來更新權(quán)重。

鏈?zhǔn)椒▌t：是微積分中的求導(dǎo)法則，用于求一個復(fù)合函數(shù)的導(dǎo)數(shù)，是在微積分的求導(dǎo)運(yùn)算中一種常用的方法。復(fù)合函數(shù)的導(dǎo)數(shù)將是構(gòu)成復(fù)合這有限個函數(shù)在相應(yīng)點的 導(dǎo)數(shù)的乘積，就像鎖鏈一樣一環(huán)套一環(huán)，故稱鏈?zhǔn)椒▌t。

線性感知機(jī)：根據(jù)特征對數(shù)據(jù)進(jìn)行分類，通過這個算法，可以發(fā)現(xiàn)一條曲線、曲面，或者叫做超平面，在二維圖形中可以表現(xiàn)為一條直線，當(dāng)維度大于3時表現(xiàn)為是一個超平面，n-1維。

在一個二維空間內(nèi)，生成一些點， 生成一條直線，將原來點進(jìn)行分割。用感知機(jī)對隨機(jī)點進(jìn)行分類， 來看差別。

運(yùn)行結(jié)果如下：

四、Keras Hello world - Minist手寫體識別：

Keras基礎(chǔ)模塊：

在juypter中， 用SHIFT+TAB鍵快速查看函數(shù)參數(shù)

Minist 手寫體識別導(dǎo)入數(shù)據(jù)集|模型|層|優(yōu)化器

從數(shù)據(jù)集中加載數(shù)據(jù)，訓(xùn)練集和測試集，這個操作需要一會兒

訓(xùn)練集60000張 28*28，測試集

這是可視化的包， 以灰度展示，加上參數(shù)cmap="gray"

看一下這張圖片是不是5，將圖片轉(zhuǎn)成一個一維的向量，并查看。

可以看到這是0-255的值

可以看到這是0-255的值

我們期望把值縮小到0-1之內(nèi)， 神經(jīng)網(wǎng)絡(luò)可以更快的收斂。

對有標(biāo)簽進(jìn)行處理, keras提供了相應(yīng)的工具，用to_categorical，將向量轉(zhuǎn)化為二階矩陣，因為是0-9， 所以是10個。

構(gòu)建模型，后面的工作都交給神經(jīng)網(wǎng)絡(luò)。輸入層-隱藏層-輸出層

以上搭建了模型，通過compile，對神經(jīng)網(wǎng)絡(luò)進(jìn)行編譯：優(yōu)化器，損失函數(shù)， 通過【準(zhǔn)確度】可以人為評判。

對模型進(jìn)行訓(xùn)練，優(yōu)化5次，可以看到， 精度越來越高，損失越來越小

用evaluate對模型的效果進(jìn)行評估

'activations', 激活函數(shù)'applications', 有已經(jīng)訓(xùn)練好的模型'callbacks',回調(diào)函數(shù)engine 是layer層的核心代碼layers 包括keras已經(jīng)實現(xiàn)的網(wǎng)絡(luò)層，和卷積層等losses 損失函數(shù)，衡量訓(xùn)練中的好壞metricsmodels 函數(shù)式編程，和序貫編程optimizer 更新權(quán)值的一個方法preprocessing 預(yù)處理模塊regularizersutils 工具模塊wrappers 封裝模塊

看完上述內(nèi)容，你們掌握Keras深度學(xué)習(xí)入門中的編程環(huán)境Jupyter是怎樣的的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！