python常用框架,python三大基本结构
1、残差连接是目前常用的组件,解决了大规模深度学习模型梯度消失和瓶颈问题。
通常,在10层以上的模型中追加残差连接可能有帮助。
fromkerasimportlayers
x=.
y=层数Conv2D(128,3,activation=relu ,padding=same)(x)
y=层数Conv2D(128,3,activation=relu ,padding=same)(y)
y=层数MaxPooling2D(2,步幅=2)(y)
#形状不同,要做线性变换:
残差=层Conv2D(128,1,步长=2,填充=相同)(x)#使用11卷积,将x线性下采样为与英语字母表的第25个字母具有相同的形状
y=layers.add([y,residual])2、标准化用于使模型看到的不同样本更相似,有助于模型的优化和泛化。
#Conv
conv _模型.添加(图层Conv2D(32,3,activation=relu ).
conv _模型.添加(图层BatchNormalization())
#密集
dense_model.add(图层。密集(32,激活=relu ))
dense_model.add(图层BatchNormalization())
3、深度可分离卷积层,在克拉斯中被称为SeparableConv2D,其功能与普通Conv2D相同。
但是SeparableConv2D比Conv2D轻,训练快,精度高。
fromtensorflow。喀拉斯。模型输入顺序,模型
fromtensorflow。kerasimportlayers
身高=64
宽度=64
通道=3
数量类=10
模型=顺序()
model.add(图层SeparableConv2D(32,3,
激活=relu ,
input_shape=(高度,宽度,通道,))
model.add(图层SeparableConv2D(64,3,activation=relu ))
model.add(图层MaxPooling2D(2))
model.add(图层SeparableConv2D(64,3,activation=relu ))
model.add(图层SeparableConv2D(128,3,activation=relu ))
model.add(图层MaxPooling2D(2))
model.add(图层SeparableConv2D(64,3,activation=relu ))
model.add(图层SeparableConv2D(128,3,activation=relu ))
model.add(图层GlobalAveragePooling2D())
model.add(图层。密集(32,激活=relu ))
model.add(图层。密集(num_classes,activation=softmax ))
模型。编译(optimizer= rms prop ,loss= categorical _ crossentropy )以上就是大蟒高级架构模式的整理,希望对大家有所帮助。更多大蟒学习指路:python基础教程
本文教程操作环境:windows7系统、Python 3.9.1、戴尔自交第三代电脑。
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。