Tensorflow如何用于使用Python比较线性模型和卷积模型?
本文向大家介绍Tensorflow如何用于使用Python比较线性模型和卷积模型?,包括了Tensorflow如何用于使用Python比较线性模型和卷积模型?的使用技巧和注意事项,需要的朋友参考一下
Tensorflow是Google提供的一种机器学习框架。它是一个开放源代码框架,与Python结合使用以实现算法,深度学习应用程序等等。它用于研究和生产目的。
可以使用下面的代码行在Windows上安装'tensorflow'软件包-
pip install tensorflow
Tensor是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。该流程图称为“数据流程图”。张量不过是多维数组或列表。
可以使用三个主要属性来标识它们-
等级-讲述张量的维数。可以理解为张量的顺序或已定义的张量中的维数。
类型-它告诉与张量元素关联的数据类型。它可以是一维,二维或n维张量。
形状-它是行和列的总数。
Keras被开发为ONEIROS(开放式神经电子智能机器人操作系统)项目研究的一部分。Keras是使用Python编写的深度学习API。它是一个高级API,具有可帮助解决机器学习问题的高效接口。它在Tensorflow框架之上运行。它旨在帮助快速进行实验。它提供了在开发和封装机器学习解决方案中必不可少的基本抽象和构建块。
我们正在使用Google合作实验室来运行以下代码。Google Colab或Colaboratory可以帮助通过浏览器运行Python代码,并且需要零配置和对GPU(图形处理单元)的免费访问。合作已建立在Jupyter Notebook的基础上。
示例
Following is the code snippet: print(“The two models are compared") print("二进制矢量化数据的线性模型:") print(binary_model.summary()) print("关于int向量数据的ConvNet模型:") print(int_model.summary())
代码信用-https://www.tensorflow.org/tutorials/load_data/text
输出结果
The two models are compared 二进制矢量化数据的线性模型: Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense (Dense) (None, 4) 40004 ================================================================= Total params: 40,004 Trainable params: 40,004 Non-trainable params: 0 _________________________________________________________________ None 关于int向量数据的ConvNet模型: Model: "sequential_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, None, 64) 640064 _________________________________________________________________ conv1d (Conv1D) (None, None, 64) 20544 _________________________________________________________________ global_max_pooling1d (Global (None, 64) 0 _________________________________________________________________ dense_1 (Dense) (None, 4) 260 ================================================================= Total params: 660,868 Trainable params: 660,868 Non-trainable params: 0 _________________________________________________________________ None
解释
比较了矢量化的“二进制”模型和矢量化的“ int”模型。
此比较使用“摘要”方法显示在控制台上。