theano

一 chainer基础 Chainer是一个专门为高效研究和开发深度学习算法而设计的开源框架。 这篇博文会通过一些例子简要地介绍一下Chainer，同时把它与其他一些框架做比较，比如Caffe、Theano、Torch和Tensorflow。 大多数现有的深度学习框架是在模型训练之前构建计算图。 这种方法是相当简单明了的，特别是对于结构固定且分层的神经网络（比如卷积神经网络）的实现。 然而，现在的复杂神经网络（比如循环神经网络或随机神经网络）带来了新的性能改进和新的应用。虽然现有的框架可以用于实现这些复杂神经网络，但是它们有时需要一些(不优雅的)编程技巧，这可能会降低代码的开发效率和可维护性。 而Chainer的方法是独一无二的：即在训练时“实时”构建计算图。 这种方法可以让用户在每次迭代时或者对每个样本根据条件更改计算图。同时也很容易使用标准调试器和分析器来调试和重构基于Chainer的代码，因为Chainer使用纯Python和NumPy提供了一个命令式的API。 这为复杂神经网络的实现提供了更大的灵活性，同时又加快了迭代速度，提高了快速实现最新深度学习算法的能力。 以下我会介绍Chainer是如何工作的，以及用户可以从中获得什么样的好处。 Chainer 是一个基于Python的独立的深度学习框架。 不同于其它基于Python接口的框架（比如Theano和TensorFlow

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> Keras深度学习框架中文文档 Keras官网： http://keras.io/ Github项目： https://github.com/fchollet/keras 中文文档主页： http://keras-cn.readthedocs.io/en/latest/ Github中文文档： https://github.com/MoyanZitto/keras-cn.git 快速开始Keras 　　Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。Sequential模型如下： from keras.models import Sequential model = Sequential() 　　将一些网络层通过.add()堆叠起来，就构成了一个模型： from keras.layers.core import Dense, Activation model.add(Dense(output_dim=64, input_dim=100)) model.add(Activation("relu")) model.add(Dense(output_dim=10)) model.add

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> optimizers（优化器）。 机器学习包括两部分内容，一部分是如何构建模型，另一部分就是如何训练模型。训练模型就是通过挑选最佳的优化器去训练出最优的模型。 Keras包含了很多优化方法。比如最常用的随机梯度下降法(SGD)，还有Adagrad、Adadelta、RMSprop、Adam等。下面通过具体的代码介绍一下优化器的使用方法。最重要的就是SGD，其他的优化器有兴趣的可以自行了解一下。 一、优化器的使用方法 在编译一个Keras模型时，优化器是2个参数之一（另外一个是损失函数）。看如下代码： model = Sequential() model.add(Dense(64, init='uniform', input_dim=10)) model.add(Activation('tanh')) model.add(Activation('softmax')) sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='mean_squared_error', optimizer=sgd) 这个例子中是在调用compile之前实例化了一个优化器。我们也可以通过传递名字的方式调用默认的优化器。代码如下： #