keras epoch是啥意思

1. keras epoch是啥意思

保持时代
祝您生活愉快，望采纳

2. keras 模型预测的结果为什么自动从大到小排序了

另外，训练误差是训练数据每个batch的误差的平均。在训练过程中，每个epoch起始时的batch的误差要大一些，而后面的batch的误差要小一些。另一方面，每个epoch结束时计算的测试误差是由模型在epoch结束时的状态决定的，这时候的网络将产生较小的误差。
可以通过定义回调函数将每个epoch的训练误差和测试误差并作图，如果训练误差曲线和测试误差曲线之间有很大的空隙，说明你的模型可能有过拟合的问题。当然，这个问题与Keras无关。

3. keras中 accuracy值为什么等于0

Keras是一个用于在Python上搭神经网络模型的框架，语法和torch比较相似。我个人认为Keras最大的特点是包装很好，一些在训练过程中要输出的方法和常用的优化函数、目标函数都已经内置了，非常适合用来写大作业。Keras和python的哲学有些相似，那就是尽量不自己造轮子。但是最近逛知乎，看到有答案说，Keras只能用来搭一些世面上已经普及的网络，和其它框架相比比较小白。换句话说，就是Keras的扩展性不好。作为一个试用过theano、tensorflow、torch、caffe等框架，最后定居在Keras的人，我对此不太同意。事实上，Keras拥有不错的扩展性，这一方面是因为设计时就留好的接口，另一方面是因为清晰的代码结构，让你可以有很多自定义的空间。所以下面用几个例子介绍在Keras中如何自定义层和各种方法。

4. keras theano为什么cpu的利用率要高于gpu的利用率

　　优点：支持python，模型库全，搭模型快，关注度极高，迭代快，可用GPU加速。
　　缺点：内部许多类的抽象不合理。
　　命名略显混乱。
　　查看中间层输出不够直接。
　　模型需要compile这些优缺点很大程度上都是因为现行版本将theano深度耦合，其作者和一些代码贡献者也意识到了这个问题，于是计划下一步将theano解藕出来放到单独的backend模块里，到时也许可以自由切换其他symbolic引擎。
　　总的来说Keras是一个很有前途的库。
　　更新：上周作者fork了一个新的backend分支，计划Keras将TensorFlow作为第二个backend，现在已进入开发阶段，将theano和tensorflow的一些函数抽象为统一的API，详见backend分支。

5. 为什么我的keras默认tensorflow

keras的后台支持tensorflow和theano，默认是tensorflow
可以通过修改配置文件或定义环境变量来进行修改，详见keras文档。
KERAS_BACKEND=tensorflow python -c "from keras import backend"

6. 如何使用网络的bottleneck特征提升准确率

一个稍微讲究一点的办法是，利用在大规模数据集上预训练好的网络。这样的网络在多数的计算机视觉问题上都能取得不错的特征，利用这样的特征可以让我们获得更高的准确率。
我们将使用vgg-16网络，该网络在ImageNet数据集上进行训练，这个模型我们之前提到过了。因为ImageNet数据集包含多种“猫”类和多种“狗”类，这个模型已经能够学习与我们这个数据集相关的特征了。事实上，简单的记录原来网络的输出而不用bottleneck特征就已经足够把我们的问题解决的不错了。不过我们这里讲的方法对其他的类似问题有更好的推广性，包括在ImageNet中没有出现的类别的分类问题。
VGG-16的网络结构如下：

我们的方法是这样的，我们将利用网络的卷积层部分，把全连接以上的部分抛掉。然后在我们的训练集和测试集上跑一遍，将得到的输出（即“bottleneck feature”，网络在全连接之前的最后一层激活的feature map）记录在两个numpy array里。然后我们基于记录下来的特征训练一个全连接网络。
我们将这些特征保存为离线形式，而不是将我们的全连接模型直接加到网络上并冻结之前的层参数进行训练的原因是处于计算效率的考虑。运行VGG网络的代价是非常高昂的，尤其是在CPU上运行，所以我们只想运行一次。这也是我们不进行数据提升的原因。

我们不再赘述如何搭建vgg-16网络了，这件事之前已经说过，在keras的example里也可以找到。但让我们看看如何记录bottleneck特征。
generator = datagen.flow_from_directory(
'data/train',
target_size=(150, 150),
batch_size=32,
class_mode=None,  # this means our generator will only yield batches of data, no labels
shuffle=False)  # our data will be in order, so all first 1000 images will be cats, then 1000 dogs
# the predict_generator method returns the output of a model, given
# a generator that yields batches of numpy data
bottleneck_features_train = model.predict_generator(generator, 2000)
# save the output as a Numpy array
np.save(open('bottleneck_features_train.npy', 'w'), bottleneck_features_train)

generator = datagen.flow_from_directory(
'data/validation',
target_size=(150, 150),
batch_size=32,
class_mode=None,
shuffle=False)
bottleneck_features_validation = model.predict_generator(generator, 800)
np.save(open('bottleneck_features_validation.npy', 'w'), bottleneck_features_validation)


记录完毕后我们可以将数据载入，用于训练我们的全连接网络：
train_data = np.load(open('bottleneck_features_train.npy'))
# the features were saved in order, so recreating the labels is easy
train_labels = np.array([0] * 1000 + [1] * 1000)

validation_data = np.load(open('bottleneck_features_validation.npy'))
validation_labels = np.array([0] * 400 + [1] * 400)

model = Sequential()
model.add(Flatten(input_shape=train_data.shape[1:]))
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])

model.fit(train_data, train_labels,
nb_epoch=50, batch_size=32,
validation_data=(validation_data, validation_labels))
model.save_weights('bottleneck_fc_model.h5')


因为特征的size很小，模型在CPU上跑的也会很快，大概1s一个epoch，最后我们的准确率是90%~91%，这么好的结果多半归功于预训练的vgg网络帮助我们提取特征。


下面是代码：

[python] view plain copy
import os  
import h5py  
import numpy as np  
from keras.preprocessing.image import ImageDataGenerator  
from keras.models import Sequential  
from keras.layers import Convolution2D, MaxPooling2D, ZeroPadding2D  
from keras.layers import Activation, Dropout, Flatten, Dense  


import sys  
defaultencoding = 'utf-8'  
if sys.getdefaultencoding() != defaultencoding:  
reload(sys)  
sys.setdefaultencoding(defaultencoding)  

# path to the model weights file.  
weights_path = '../weights/vgg16_weights.h5'  
top_model_weights_path = 'bottleneck_fc_model.h5'  
# dimensions of our images.  
img_width, img_height = 150, 150  

train_data_dir = '../data/train'  
validation_data_dir = '../data/validation'  
nb_train_samples = 2000  
nb_validation_samples = 800  
nb_epoch = 50  


def save_bottlebeck_features():  
datagen = ImageDataGenerator(rescale=1./255)  

# build the VGG16 network  
model = Sequential()  
model.add(ZeroPadding2D((1, 1), input_shape=(3, img_width, img_height)))  

model.add(Convolution2D(64, 3, 3, activation='relu', name='conv1_1'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(64, 3, 3, activation='relu', name='conv1_2'))  
model.add(MaxPooling2D((2, 2), strides=(2, 2)))  

model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(128, 3, 3, activation='relu', name='conv2_1'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(128, 3, 3, activation='relu', name='conv2_2'))  
model.add(MaxPooling2D((2, 2), strides=(2, 2)))  

model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(256, 3, 3, activation='relu', name='conv3_1'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(256, 3, 3, activation='relu', name='conv3_2'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(256, 3, 3, activation='relu', name='conv3_3'))  
model.add(MaxPooling2D((2, 2), strides=(2, 2)))  

model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv4_1'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv4_2'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv4_3'))  
model.add(MaxPooling2D((2, 2), strides=(2, 2)))  

model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv5_1'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv5_2'))  
model.add(ZeroPadding2D((1, 1)))  
model.add(Convolution2D(512, 3, 3, activation='relu', name='conv5_3'))  
model.add(MaxPooling2D((2, 2), strides=(2, 2)))  

# load the weights of the VGG16 networks  
# (trained on ImageNet, won the ILSVRC competition in 2014)  
# note: when there is a complete match between your model definition  
# and your weight savefile, you can simply call model.load_weights(filename)  
assert os.path.exists(weights_path), 'Model weights not found (see "weights_path" variable in script).'  
f = h5py.File(weights_path)  
for k in range(f.attrs['nb_layers']):  
if k >= len(model.layers):  
# we don't look at the last (fully-connected) layers in the savefile  
break  
g = f['layer_{}'.format(k)]         
weights = [g['param_{}'.format(p)] for p in range(g.attrs['nb_params'])]         
model.layers[k].set_weights(weights)  
f.close()  
print('Model loaded.')  

generator = datagen.flow_from_directory(  
train_data_dir,  
target_size=(img_width, img_height),  
batch_size=32,  
class_mode=None,  
shuffle=False)  

print('generator ok.')  
bottleneck_features_train = model.predict_generator(generator, nb_train_samples)  
print('predict ok.')  

np.save(open('bottleneck_features_train.npy', 'wb'), bottleneck_features_train)  

generator = datagen.flow_from_directory(  
validation_data_dir,  
target_size=(img_width, img_height),  
batch_size=32,  
class_mode=None,  
shuffle=False)  
bottleneck_features_validation = model.predict_generator(generator, nb_validation_samples)  
np.save(open('bottleneck_features_validation.npy', 'wb'), bottleneck_features_validation)  
print('save_bottlebeck_features ok')  

def train_top_model():  
train_data = np.load(open('bottleneck_features_train.npy'))  
train_labels = np.array([0] * (nb_train_samples / 2) + [1] * (nb_train_samples / 2))  

validation_data = np.load(open('bottleneck_features_validation.npy'))  
validation_labels = np.array([0] * (nb_validation_samples / 2) + [1] * (nb_validation_samples / 2))  

model = Sequential()  
model.add(Flatten(input_shape=train_data.shape[1:]))  
model.add(Dense(256, activation='relu'))  
model.add(Dropout(0.5))  
model.add(Dense(1, activation='sigmoid'))  

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])  

model.fit(train_data, train_labels,  
nb_epoch=nb_epoch, batch_size=32,  
validation_data=(validation_data, validation_labels))  
model.save_weights(top_model_weights_path)  
print('train_top_model ok')  


save_bottlebeck_features()  
train_top_model()

7. epoch是什么意思

　　epoch    英[ˈi:pɒk]    美[ˈepək]
　　n.    时期; 纪元; 世; 新时代;
　　[例句]The birth of Christ was the beginning of a major epoch of world history.
　　基督诞生是世界历史上一个重要纪元的开端。
　　[其他]    复数：epochs