Keras中的复杂价值观对人类的深度学习
keras-complex的Python项目详细描述
基于张量流的Keras复值神经网络
Complex-valued convolutions可以为基于信号处理的深度学习提供一些有趣的结果。一个简单的想法是在神经网络中包含时间序列的显式相位信息。这段代码在keras的卷积神经网络中启用了TensorFlow后端的复值卷积。这使得网络模块化,并且可以与标准keras层和操作进行互操作。在
这段代码非常接近Alpha。请考虑帮助改进代码,共同前进。这个知识库是基于复制论文Deep Complex Networks中的实验的代码。它是一个连接到Keras和Tensorflow后端的端口。在
要求
- numpy公司
- 神经质的
- scikit学习
- 煤油
- tensorflow 1.X或tensorflow gpu 1.X
使用pip进行计算机视觉实验的安装要求:
pip install -f requirements.txt
对于非gpu版本:
^{pr2}$根据Python的安装情况,您可能需要使用anaconda或其他工具。在
安装
pip install keras-complex
以及
pip install tensorflow-gpu
使用
在keras的帮助下建立你的神经网络。在
importcomplexnnimportkerasfromkerasimportmodelsfromkerasimportlayersfromkerasimportoptimizersmodel=models.Sequential()model.add(complexnn.conv.ComplexConv2D(32,(3,3),activation='modrelu',padding='same',input_shape=input_shape))model.add(complexnn.bn.ComplexBatchNormalization())model.add(layers.MaxPooling2D((2,2),padding='same'))model.compile(optimizer=optimizers.Adam(),loss='mse')
引文
请引用原著为:
@ARTICLE {Trabelsi2017,
author = "Chiheb Trabelsi, Olexa Bilaniuk, Ying Zhang, Dmitriy Serdyuk, Sandeep Subramanian, João Felipe Santos, Soroush Mehri, Negar Rostamzadeh, Yoshua Bengio, Christopher J Pal",
title = "Deep Complex Networks",
journal = "arXiv preprint arXiv:1705.09792",
year = "2017"
}
引用此软件版本为:
@misc{dramsch2019complex,
title = {Complex-Valued Neural Networks in Keras with Tensorflow},
url = {https://figshare.com/articles/Complex-Valued_Neural_Networks_in_Keras_with_Tensorflow/9783773/1},
DOI = {10.6084/m9.figshare.9783773},
publisher = {figshare},
author = {Dramsch, Jesper S{\"o}ren and Contributors},
year = {2019}
}
- 项目
标签: