写在最前能有如此方便的，避免走弯路的，深度学习环境配置教程，首先要感谢实验室颜神@stary_yan 与进神的配置指南。然后在他们的基础上再将其细化修改，变得更加清晰。哪怕你和我一样都是命令行小白，只要有一台带GPU的电脑，也能配置出自己的GPU版的Tensorflow+Keras环境，来跑深度学习代码。准备材料敏捷的手指对深度学习的热情一台Win10的带GPU的电脑（要联网）所需要的文件的百度网
转载
2024-04-17 15:10:48
102阅读
train_datagen = ImageDataGenerator(rescale=1. / 255, #归一化 rotation_range height_shift_range
转载
2023-05-18 17:11:52
183阅读
对于keras加载训练数据，官方上没有详说。然而网上查各种资料，写法太多，通过自己跑代码测试总结以下几条，方便自己以后使用。总的来说keras模型加载数据主要有三种方式：.fit(), .fit_generator()和.train_on_batch()。1.fit():上函数，各个参数的意义就不解释了fit(x=None, y=None, batch_size=None, epochs=1, v
1.概述由于一般GPU的显存只有11G左右，(土豪误入)，采用多主机分布式训练是非常有必要的；折腾了几天，按照谷歌的教程，终于搞清楚了，给大家梳理一下：参考：https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras?hl=be2.配置首先，设置 TensorFlow 和必要的导入。import osfrom
转载
2024-04-20 22:33:00
74阅读
Keras是我最喜欢的Python深度学习框架，特别是在图像分类领域。我在很多地方都使用到了Keras，包括生产系统、我自己的深度学习项目，以及PyImageSearch博客。我的新书“基于Keras的深度学习计算机视觉”有三分之二的篇幅都跟这个框架有关。然而，在该框架过程中遇到的最大的一个问题就是执行多GPU训练。但是，这个问题将不复存在！随着Keras（v2.0.8）最新版本的发布，使用多GP
本机环境： Anaconda TensorFlow2.1.0 - CPU Ubuntu18.04 Python3.7任务描述： 以上环境下使用tf.Keras搭建CNN，使用Keras Applications内置预训练模块VGG16（不使用自带fc层）；对源数据进行数据增强方案及报错解决： 1）希望引入VGG系列网络提升网络性能，直接在代码中写入VGG代码效率低下、效果不佳，改用嵌入预训练模块方
转载
2024-08-01 15:33:25
64阅读
1 需要的环境配置Anaconda环境，Anaconda安装教程
CUDA，CUDA下载，这里需要注意CUDA、cuDNN、tensorflow的对应版本，对应版本查询
cuDNN，cuDNN下载，这里需要注册tensorflow-gpukeras2 CUDA安装与配置进入CUDA下载页面选择对应的CUDA版本： 选择一个需要下载的版本，然后选择系统以及安装方式进行安装。 2.1 这里以本地安装（
本专栏是Keras学习笔记，主要是Keras使用方法，配合各种案例，学习炼丹技巧，力求详细全面，如有错误不吝批评指正。开篇搭建环境，买了台全新电脑，从头搭建，按照文中步骤，可以搭建成功，很多坑都考虑到了。全新电脑什么都没有，所以按照下面教程来，基本可行。〇：先上最终安装的各版本号：Windows 10 64位1909python 3.6.5CUDA 10.0（具体版本号：10.0.130_411.
转载
2024-04-05 21:18:23
121阅读
基础配置首先你需要在win10上下载Git（用于我们在github上面下载源码）和MinGW（方便我们在win10上也能用linux的make操作命令）。接着你要下载cuda9.0和cudnn7.1来绑定你的windows的Nvidia接着你需要在win10上面安装anaconda3（切记，python用的是3.6+，目前的tesorflow-gpu只能匹配这个）然后在现有的base环境下(或者配
转载
2024-06-21 12:13:45
100阅读
Keras 中的卷积层要在 Keras 中创建卷积层，你首先必须导入必要的模块：from keras.layers import Conv2D然后，你可以通过使用以下格式创建卷积层：Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)参数必须传递以下参数：filterskernel_size你可
转载
2024-05-31 10:26:43
38阅读
keras数据增强方法简介数据增强(Data Augmentation)keras数据增强接口keras接口使用方法 简介在深度学习中，为了避免出现过拟合（Overfitting），通常我们需要输入充足的数据量。当数据量不够大时候，常常采用以下几种方法：Data Augmentation：通过平移、 翻转、加噪声等方法从已有数据中创造出一批“新”的数据，人工增加训练集的大小。Regulariza
转载
2024-07-31 13:42:02
60阅读
Keras深度学习库包括三个独立的函数，可用于训练您自己的模型：1.Keras的.fit，.fit_generator和.train_on_batch函数之间的区别 2.在训练自己的深度学习模型时，何时使用每个函数 3.如何实现自己的Keras数据生成器，并在使用.fit_generator训练模型时使用它 4.在训练完成后评估网络时，如何使用.predict_generator函数fit：mod
转载
2023-11-11 11:47:23
112阅读
待留
原创
2021-08-02 15:32:58
599阅读
# -*- coding: utf-8 -*-
from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(1) #
转载
2018-01-25 21:17:00
200阅读
2评论
keras 多主机分布式训练，mnist为例1.概述由于一般GPU的显存只有11G左右，（土豪误入），采用多主机分布式训练是非常有必要的；折腾了几天，按照谷歌的教程，终于搞清楚了，给大家梳理一下：参考：https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras?hl=be2.配置首先，设置 TensorFlow
使用multi_gpu_model即可。观察了一下GPU的利用率，非常的低，大部分时候都是0，估计在相互等待，同步更新模型；当然了，使用多GPU最明显的好处是可以使用更大的batch sizeimport tensorflow as tffrom keras.applications import Xceptionfrom keras.utils import multi_gpu_modelimp
原创
2022-01-17 16:15:24
1135阅读
Keras中的fit函数训练集，验证集和
转载
2023-05-18 17:08:29
73阅读
1. Keras是什么？Keras是一个基于Python语言编写的高度抽象与模块化的深度学习库，其最主要的优势在于对初学者友好，用户直接调用封装好的模块即可快速完成原型设计与验证。Keras的底层可以基于Tensorflow或Theano，用户可以自由选择。另外，Keras支持在CPU和GPU之间进行无缝切换，总体而言，个人感觉这是一个相当强大的工具，并且极大地降低了AI学习
转载
2024-04-28 21:48:35
179阅读
我使用的keras是基于Tensorflow后端的框架(建议大家使用这个)1、keras 调用gpu方法如果linux服务器中keras 没有默认gpu操作的话，那么在代码前面加入这三行命令即可选择调用的gpu：os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"（其中0.1是选择所调用的gpu）gpu_options = tf.GPUOptions(allow_g
转载
2024-03-07 09:28:30
355阅读
目录简介分类问题和回归问题为什么需要目标函数one hot 编码实战2-3 实战分类模型之数据读取与展示导入经常要用到的数据库下载数据集2-4构建模型训练模型显示学习曲线对测试集 进行评估2.5数据归一化2.6回调函数2.7回归模型2.8神经网络讲解2.9构建深度神经网络2.10 批归一化,激活函数,dropout 简介keras 是TensorFlow 的有个高级APITf-keras 是Te
转载
2024-03-18 12:23:34
130阅读
