用于分类和预测的keras式深度网络包
deepfree的Python项目详细描述
深度自由
用于分类和预测的Keras式深度网络包。
安装
pipinstall--upgradenumpyh5pypipinstall--upgradedeepfree
功能
快速学习
程序的主要框架依赖于core._model中的Model和core._layer中的Layer，可以通过'from deepfree import Model, Layer'直接导入。您可以灵活地使用模型来快速构建和训练模型。此外，构造的DBN和SAE可以直接使用，它们是从Model继承来的。
堆叠块
通过调用Model.add_layer(['a Layer of a list of Layer'])，您可以构建类似堆栈块的模型。可以选择一组Layer，例如phvariable、maxpooling2d、flatten、concatenate、Dense、Conv2D。
灵活设置
您可以在第一次构建模型（DBN(para=...)，SAE(para=...)，Model(para=...)）或训练模型（Model.training(para=...)）时设置base._attribute中列出的模型参数。如果不设置值，将应用base._attribute中的默认值。
结果显示
'loss & test accuracy - epoch'曲线和'prediction - epoch'曲线将自动生成。此外，通过分别调用Model.plot_label_cnt和Model.plot_tSNE可以获得real label -> predicted label计数结果和t-SNE visualization图像。
示例
一个简单的dnn可以被构造和训练为：
fromdeepfreeimportModelfromdeepfreeimportphvariable,Densemodel=Model()model.struct=[784,100,10]model.input=phvariable(model.struct[0])('input')model.label=phvariable(model.struct[-1])('label')foriinrange(len(model.struct)-2):model.add_layer(Dense(model.struct[i+1],activation=model.next_hidden_activation(),is_dropout=True))model.add_layer(Dense(model.struct[-1],activation=model.output_func))model.training(dataset=...,data_path=...)
绘图
运行结果可以在'result'文件夹中找到。
- 损失和测试精度-历元曲线：
- 预测-历元曲线：
- real label->；预测的标签计数结果：
- t-sne可视化：
博客
Github，
zhihu，
CSDN，
PyPI
QQ群：640571839
欢迎加入QQ群-->： 979659372
