keras

0 人感兴趣 · 9 次引用

  • 推荐
  • 最新

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 模型的本地训练与评估

用户头像
Alex 2020 年 9 月 25 日

「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法,并灵活使用,才能使我们更加快速地进行实验分析与验证,从而对模型有更加深刻的理解。

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建

用户头像
Alex 2020 年 9 月 24 日

「导语」TensorFlow 2.0 版发布以来,Keras 已经被深度集成于 TensorFlow 框架中,Keras API 也成为了构建深度网络模型的第一选择。使用 Keras 进行模型开发与迭代是每一个数据开发人员都需要掌握的一项基本技能,让我们一起走进 Keras 的世界一探究竟。

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型保存及重建

用户头像
Alex 2020 年 10 月 12 日

「导语」模型训练完成后一项十分重要的步骤是对模型信息进行持久化保存,以用于后续的再训练以及线上 Serving。保存后的模型文件除了个人使用外,还可以将其分享到 TensorFlow Hub ,从而让他人可以很方便地在该预训练模型的基础上进行再次开发与训练。

TensorFlow 篇 | TensorFlow 2.x 基于 HParams 的超参数调优

用户头像
Alex 2020 年 9 月 28 日

「导语」 当我们创建了 Keras 模型并开始进行训练时,一般都会指定一些超参数的值来对训练的过程进行调控,这些超参数的取值会对模型训练的结果产生很大的影响,因此在机器学习工作流程中一项十分重要的步骤就是要确定模型超参数的最佳取值,亦即超参数调优。

TensorFlow 篇 | TensorFlow 2.x 模型 Serving 服务

用户头像
Alex 2020 年 10 月 13 日

「导语」在模型训练完成后,我们需要使用保存后的模型进行线上预测,即模型 Serving 服务。 TensorFlow 团队提供了专门用于模型预测的服务系统 TensorFlow Serving,它专为生产环境设计,具备高性能且具有很强大的灵活性。

TensorFlow 篇 | TensorFlow 2.x 分布式训练概览

用户头像
Alex 2020 年 9 月 26 日

「导语」 在进行极复杂模型训练以及使用大规模数据进行训练时,往往会受限于单个节点的内存和算力,无法高效快速地完成模型的优化,而分布式训练正是解决上述问题的一剂良药,它可以充分利用集群中各节点的内存和算力资源,加速模型的训练和调优过程。

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的多节点分布式训练

用户头像
Alex 2020 年 9 月 27 日

「导语」 在上一篇文章 《TensorFlow 2.x 分布式训练概览》中,我对 TensorFlow 所支持的分布式训练策略以及分布式训练的实现方式做了简要的介绍。本文将在上一篇文章的基础上,着重介绍基于 Keras 的多节点分布式训练的实现方式以及在分布式训练过程中需要注

TensorFlow 篇 | TensorFlow Serving API

用户头像
Alex 2020 年 10 月 14 日

「导语」TensorFlow Serving 提供了 GRPC 接口来高效地完成对模型的预测请求,但是它本身只提供了基于 Python 的 API ,如果我们要使用其它语言进行 GRPC 访问,则需手动生成相应的 GRPC 接口文件方可。

调包侠的炼丹福利:使用 Keras Tuner 自动进行超参数调整

用户头像
计算机与AI 2020 年 10 月 28 日

使用Keras Tuner进行超参数调整可以将您的分类神经网络网络的准确性提高10%。

keras_keras资料文章-InfoQ写作平台