Keras深度学习入门中的编程环境Jupyter是怎样的

Keras深度学习入门中的编程环境Jupyter是怎样的，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

一、运行 Jupyter

Jupyter在编辑过程中，每编辑一段代码，就可以运行一段代码，运行的结果也将直接显示在代码下方， 方便查看。 在数据科学领域， 需要频繁的进行数据清洗，查看，以及画图， 非常需要这种交互式的开发环境。

运行以及编辑的所有结果会保存在文件中，后续只要把文件分享给别人， 就可以看到你的一系列操作。

Jupyter以段落为主的编辑模式：

启动jupyter， 系统提示如下错误：

C:\WINDOWS\system32>jupyter notebook

AttributeError: type object 'IOLoop' has no attribute 'initialized'

原因：

tornado版本过高，如下图为5.1.1，不支持jupyter notebook.

conda install tornado=4.5

启动jupyter， 启动成功

为了便于文件管理， 指定工作路径启动:

jupyter notebook D:\g_learn\jupyter

二、通过Jupter，来进行Keras环境检查：

新建一个python文件，命名为keras_evn,保存

Python 版本检查，输入命令!python --version,用 [shift +enter]运行基础包导入检查，用 [shift +enter]运行，正常检查安装版本三、用Python实现感知机，为了便于理解keras的各种api的作用：

前向传播：通过输入层输入，并且一路向前计算出输出的结果。

反向传播：通过输出反向更新权重的过程。差值*学习率来更新权重。

链式法则：是微积分中的求导法则，用于求一个复合函数的导数，是在微积分的求导运算中一种常用的方法。复合函数的导数将是构成复合这有限个函数在相应点的 导数的乘积，就像锁链一样一环套一环，故称链式法则。

线性感知机：根据特征对数据进行分类，通过这个算法，可以发现一条曲线、曲面，或者叫做超平面，在二维图形中可以表现为一条直线，当维度大于3时表现为是一个超平面，n-1维。

在一个二维空间内，生成一些点， 生成一条直线，将原来点进行分割。用感知机对随机点进行分类， 来看差别。

运行结果如下：

四、Keras Hello world - Minist手写体识别：

Keras基础模块：

在juypter中， 用SHIFT+TAB键快速查看函数参数

Minist 手写体识别导入数据集|模型|层|优化器

从数据集中加载数据，训练集和测试集，这个操作需要一会儿

训练集60000张 28*28，测试集

这是可视化的包， 以灰度展示，加上参数cmap="gray"

看一下这张图片是不是5，将图片转成一个一维的向量，并查看。

可以看到这是0-255的值

可以看到这是0-255的值

我们期望把值缩小到0-1之内， 神经网络可以更快的收敛。

对有标签进行处理, keras提供了相应的工具，用to_categorical，将向量转化为二阶矩阵，因为是0-9， 所以是10个。

构建模型，后面的工作都交给神经网络。输入层-隐藏层-输出层

以上搭建了模型，通过compile，对神经网络进行编译：优化器，损失函数， 通过【准确度】可以人为评判。

对模型进行训练，优化5次，可以看到， 精度越来越高，损失越来越小

用evaluate对模型的效果进行评估

'activations', 激活函数'applications', 有已经训练好的模型'callbacks',回调函数engine 是layer层的核心代码layers 包括keras已经实现的网络层，和卷积层等losses 损失函数，衡量训练中的好坏metricsmodels 函数式编程，和序贯编程optimizer 更新权值的一个方法preprocessing 预处理模块regularizersutils 工具模块wrappers 封装模块

看完上述内容，你们掌握Keras深度学习入门中的编程环境Jupyter是怎样的的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！