python常用框架,python三大基本结构

  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。

留言与评论(共有 条评论)
   
验证码: