知识卡片
建模、训练与 Keras 简化
建图时用 name_scope 分组变量,placeholders 收纳输入与标签;隐藏层用 get_variable 定义权重偏置并以 ReLU 激活,层间前馈相连。输出层不加显式 softmax,因 softmax_cross_entropy_with_logits 已内建该步骤,重复叠加会让准确率骤降。损失交给 Adam 最小化,精度用 argmax 统计。训练时开启会话、初始化变量,按批经 feed_dict 喂数据并运行 train 更新权重。也可用 Keras Sequential 堆叠 Flatten、Dense、Dropout,compile 与 fit 即得等价 DFN。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度前馈网络 建立模型图与训练 · 查看原书依据
对于每次迭代,都会生成一批输入图像和标签。 每次调用run函数时,都需要将数据馈入占位符。 生成的批量数据通过feed_dict参数输入到占位符。 每次运行train操作时,权重都会根据损失进行更新。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第02章《深度前馈网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/05.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文逐步给出占位符、层、损失、优化器、精度的建图代码与会话训练循环,并提醒 softmax 不要重复叠加及 Keras 的等价简写,支撑该操作参考。
- 原始内容:对于每次迭代,都会生成一批输入图像和标签。 每次调用run函数时,都需要将数据馈入占位符。 生成的批量数据通过feed_dict参数输入到占位符。 每次运行train操作时,权重都会根据损失进行更新。