Keras: 基于 Python 的深度学习库 Keras: The Python Deep Learning library* Author: Keras-Team Contributor: 万 震 (WAN Zhen) � wanzhenchn � wanzhen@cqu.edu.cn 2018 年 12 月 24 日 *Copyright © 2018 by Keras-Team Keras-Team 前 言 整理 Keras: 基于 Python 的深度学习库 PDF 版的主要原因在于学习 Keras 深度学习库时方 便本地查阅，下载最新 PDF 版本请访问: https://github.com/wanzhenchn/keras-docs-zh。 感谢 keras-team 所做的中文翻译工作，本文档制作基于此处。 严正声明：本文档可免费用于学习和科学研究，可自由传播，但切勿擅自用于商业用途，由 purposes. Otherwise, the contributor is not responsible for the consequences. 目录 I 目录 1 Keras: 基于 Python 的深度学习库 1 1.1 你恰好发现了 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.1.6 转换为其他Python对象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 2.2 数据预处理 . . . . . . . 分离计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 2.5.4 Python控制流的梯度计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 2.6 概率 . . . . . . . 109 3.4.8 模型预测和评估 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 3.5 图像分类数据集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 3

Keras ii About the Tutorial Keras is an open source deep learning framework for python. It has been developed by an artificial intelligence researcher at Google named Francois Chollet framework. In addition to this, it will be very helpful, if the readers have a sound knowledge of Python and Machine Learning. Copyright & Disclaimer  Copyright 2019 by Tutorials Point (I) Pvt. ................................................................... 3 Keras Installation Using Python ................................................................................................

免地需要使用正式化的 数学符号推导，其中涉及到少量的概率与统计、线性代数、微积分等数学知识，一般要求读 者对这些数学知识有初步印象或了解即可。比起理论基础，读者需要有少量的编程经验，特 别是 Python 语言编程经验，显得更加重要，因为本书更侧重于实用性，而不是堆砌公式。 总的来说，本书适合于大学三年级左右的理工科本科生和研究生，以及其他对人工智能算法 感兴趣的朋友。 本书共 15 章，大体上可分为 线性模型实战 2.4 线性回归 2.5 参考文献 第 3 章 分类问题 3.1 手写数字图片数据集 3.2 模型构建 3.3 误差计算 3.4 真的解决了吗 3.5 非线性模型 3.6 表达能力 3.7 优化方法 3.8 手写数字图片识别体验 3.9 小结 3.10 参考文献 第 4 章 PyTorch 基础 4.1 数据类型 5-and-apollo-enterprise-says-it-has- over-130-partners/ 预览版202112 1.5 深度学习框架 13 是一个基于 Python 语言、定位底层运算的计算库，Theano 同时支持 GPU 和 CPU 运 算。由于 Theano 开发效率较低，模型编译时间较长，同时开发人员转投 TensorFlow 等原因，Theano

Fashion MNIST 数据集介绍 • 使用 TensorFlow 2 训练分类网络 目录 TensorFlow 2 开发环境搭建 TensorFlow 2 支持的操作系统 • Python 3.5–3.7 • Ubuntu 16.04 or later • Windows 7 or later • macOS 10.12.6 (Sierra) or later (no GPU support)

∈?2 ?? 1.5,2.5,3.5,4.5,5.5,6.5,7.5,8.5,9.5 ? ? = min ?1 ෍ ??∈?1 (?? − ?1)2 + min ?2 ෍ ??∈?2 (?? − ?2)2 ? = 1.5，?1 = 1 , ?2 = 2,3, … , 10 , ?1 = 5.56, ?2 = 7.5 s 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8 = ? ?, ?1 ? = ෍ ?=1 10 (?? − ?1(??))2 = 1.93 ?2 ? = ?1 ? + ?2 ? = x<6.5 x<3.5 8.91 5.72 6.46 ?2 ? = x<3.5 -0.52 0.22 ? ?, ?2 ? = ෍ ?=1 10 (?? − ?2(??))2 = 0.79 x y y-f(x) 1 5.56 -0.68 5 6.8 0.56 6 7.05 0.81 7 8.9 -0.01 8 8.7 -0.21 9 9 0.09 10 9.05 0.14 GBDT算法 23 ?3 ? = x<3.5 0.15 -0.22 ?4 ? = x<4.5 -0.16 0.11 ?5 ? = x<6.5 0.07 -0.11 ?6 ? = x<2.5 -0.15 0.04 ? ?,

2.5 方差 2.6 一些常见的随机变量 3. 两个随机变量 3.1 联合分布和边缘分布 3.2 联合概率和边缘概率质量函数 3.3 联合概率和边缘概率密度函数 3.4 条件概率分布 3.5 贝叶斯定理 3.6 独立性 3.7 期望和协方差 4. 多个随机变量 4.1 基本性质 4.2 随机向量 4.3 多元高斯分布 5. 其他资源 概率论复习和参考 概率论是对不 的条件概率质量函数是简单的： 假设分母不等于0。 在连续的情况下，在技术上要复杂一点，因为连续随机变量的概率等于零。忽略这一技术点，我们通过 类比离散情况，简单地定义给定 的条件概率密度为： 假设分母不等于0。 3.5 贝叶斯定理 当试图推导一个变量给定另一个变量的条件概率表达式时，经常出现的一个有用公式是贝叶斯定理。 对于离散随机变量 和 ： 对于连续随机变量 和 ： 3.6 独立性 如果对于

2.矩阵乘法 2.1 向量-向量乘法 2.2 矩阵-向量乘法 2.3 矩阵-矩阵乘法 3 运算和属性 3.1 单位矩阵和对角矩阵 3.2 转置 3.3 对称矩阵 3.4 矩阵的迹 3.5 范数 3.6 线性相关性和秩 3.7 方阵的逆 3.8 正交阵 3.9 矩阵的值域和零空间 3.10 行列式 3.11 二次型和半正定矩阵 3.12 特征值和特征向量 3.13 对称矩阵的特征值和特征向量 ，请注意： 这里，第一个和最后两个等式使用迹运算符和矩阵乘法的定义，重点在第四个等式，使用标量乘法的可 交换性来反转每个乘积中的项的顺序，以及标量加法的可交换性和相关性，以便重新排列求和的顺序。 3.5 范数 向量的范数 是非正式度量的向量的“长度” 。 例如，我们有常用的欧几里德或 范数， 注意： 更正式地，范数是满足4个属性的函数（ ）： 1. 对于所有的 , (非负). 2

������� ��� ����� ������ ��������� ������ ���API ���� ��+�� 83% 视觉 11% 听觉 1.5% 触觉 1% 味觉 3.5% 嗅觉 �������2007������������� 视觉-最重要的信息感知 2017中国网络视频用户情况 ����2017������������� 传统视频摘要 vs AI视频结构化

predictions using the learned hypothesis. Use your model to predict the height for two boys of ages 3.5 and 7. 4 Understanding J(θ) We’d like to understand better what gradient descent has done, and visualize