2022年世界杯中国小组赛积分

我该如何引用克拉斯?

请在您的出版物中引用Keras，如果它有助于您的研究。下面是一个BibTeX条目示例:

@misc{chollet2017kerasR, title={R Keras接口}，author={Chollet, Fran\c{c}ois and Allaire, JJ等}，year={2017}， publisher={GitHub}， howpublished={\url{https://github.com/rstudio/keras}}，}英格兰vs伊朗让球

我如何在GPU上运行Keras ?

注意，基于gpu的后端安装和配置可能花费更多的时间和精力。因此，如果您刚刚开始使用Keras，您可能希望一开始坚持使用CPU版本，然后在您的训练变得对计算要求更高时安装适当的GPU版本。

下面是为各种支持的后端安装和启用GPU支持的说明。卡塔尔世界杯欧洲预选赛赛程表

Sys.setenv（KERAS_BACKEND =“keras”）Sys.setenv（THEANO_FLAGS =“设备= gpu, floatX = float32”）图书馆(keras)

如何在多个gpu上运行Keras模型?

我们建议使用TensorFlow后端。在多个gpu上运行一个模型有两种方法:数据并行性而且设备的并行性．

在大多数情况下，您需要的很可能是数据并行性。

#在8个gpu上复制“模型”假设你的机器有8个可用的gpu。parallel_model < -multi_gpu_model(模型中,gpu =8）parallel_model% > %编译（损失=“categorical_crossentropy”，优化器=“rmsprop”）#这个“fit”调用将分布在8个gpu上。由于批处理大小是256，每个GPU将处理32个样本。parallel_model% > %适合(x, y,时代=20.，batch_size =256）

使用共享LSTM并行编码两个不同序列的模型input_a < -layer_input（形状=c（140，256）)input_b < -layer_input（形状=c（140，256）)shared_lstm < -layer_lstm（单位=64）#在一个GPU上处理第一个序列图书馆(tensorflow)与(特遣部队＄device_scope（“/ gpu: 0”, {encoded_a < -shared_lstm(tweet_a)})：在另一个GPU上处理下一个序列与(特遣部队＄device_scope（“/ gpu: 1”, {encoded_b < -shared_lstm(tweet_b)})：#在CPU上连接结果与(特遣部队＄device_scope（“/ cpu: 0”, {merged_vector < -layer_concatenate（列表(encoded_a encoded_b))})：

" sample "， " batch "， " epoch "是什么意思?

以下是正确使用Keras时需要了解和理解的一些常见定义:

• 样本:数据集的一个元素。
  • 例子:一个图像是样本在卷积网络中
  • 例子:一个音频文件是样本用于语音识别模型
• 批处理:一套N样本。样品在批处理都是独立并行处理的。如果是训练，批处理只会对模型进行一次更新。
  • 一个批处理一般来说，近似输入数据的分布比单一输入更好。批次越大，近似越好;然而，处理批处理需要更长的时间，并且仍然只会产生一次更新。对于推断(评估/预测)，建议选择在不耗尽内存的情况下尽可能大的批大小(因为较大的批通常会导致更快的评估/预测)。
• 时代:任意截断，通常定义为“整个数据集的一遍”，用于将训练分为不同的阶段，这对日志记录和定期评估很有用。
  • 当使用evaluation_data或evaluation_split与适合方法对Keras模型进行评价时代．
  • 在Keras中，有添加功能回调专门设计运行在一个时代．其中的例子是学习率更改和模型检查点(保存)。

为什么要就地修改Keras对象?

与大多数R对象不同，Keras对象是“可变的”。这意味着当你修改一个对象时，你是在“原地”修改它，你不需要将更新的对象分配回原始名称。例如，要向Keras模型添加层，可以使用以下代码:

模型% > %layer_dense（单位=32，激活=“relu”，input_shape =c（784）)% > %layer_dense（单位=10，激活=“softmax”）

而不是这样的代码:

模型< -模型% > %layer_dense（单位=32，激活=“relu”，input_shape =c（784）)% > %layer_dense（单位=10，激活=“softmax”）

您需要了解这一点，因为这使得Keras API与您可能使用过的大多数其他管道稍有不同，但它必须与底层Keras库的数据结构和行为相匹配。

我如何拯救一个Keras模型?

save_model_hdf5(模型中,“my_model.h5”）模型< -load_model_hdf5（“my_model.h5”）

json_string < -model_to_json(模型)yaml_string < -model_to_yaml(模型)

模型< -model_from_json(json_string)模型< -model_from_yaml(yaml_string)

save_model_weights_hdf5（“my_model_weights.h5”）

模型% > %load_model_weights_hdf5（“my_model_weights.h5”）

模型% > %load_model_weights_hdf5（“my_model_weights.h5”，by_name =真正的）

#假设原始模型是这样的:# model <- keras_model_sequential()% > % #模型# layer_致密(units = 2, input_dim = 3, name = "致密1")%>%# layer_density (units = 3, name = "dense_3") %>%#……# save_model_weights(模型、帧)#新模型模型< -keras_model_sequential（）模型% > %layer_dense（单位=2，input_dim =3.，name =“密集1”）% > %#将被加载layer_dense（单位=3.，name =“dense_3”）#将不会被加载#第一个模型的重量;只会影响第一层dense_1。load_model_weights(帧,by_name =真正的）

为什么训练损耗远高于测试损耗?

Keras模型有两种模式:训练和测试。正则化机制，如Dropout和L1/L2权值正则化，在测试时关闭。

训练损耗是每批训练数据损耗的平均值。因为您的模型是随着时间变化的，所以一个纪元的第一批的损失通常比最后一批的损失要高。另一方面，一个历的测试损失是使用模型计算的，因为它是在历的末尾，从而导致较低的损失。

如何获得中间层的输出?

一个简单的方法是创建一个新的模型这将输出你感兴趣的层:

模型< -.．.#创建原始模型layer_name < -“my_layer”intermediate_layer_model < -keras_model（输入=模型＄输入,输出=get_layer(layer_name模型)＄输出)intermediate_output < -预测(intermediate_layer_model数据)

我如何使用Keras与不适合内存的数据集?

sampling_generator < -函数(X_data, Y_data, batch_size) {函数() {行< -样本（1：nrow(batch_size X_data)取代=真正的）列表(X_data(行),Y_data [,])｝｝模型% > %fit_generator（sampling_generator(Y_train X_trainbatch_size =128)，steps_per_epoch =nrow(X_train)/128，时代=10）

data_files_generator < -函数(dir) {文件<list.files(dir)next_file < -0函数() {#移动到下一个文件(注意<<-赋值操作符)next_file < < - - - - - -next_file+1#如果我们已经耗尽了所有的文件，那么重新开始#开始列表(keras生成器需要屈服# data unlimited—终止由epoch控制#和fit_generator()的steps_per_epoch参数如果(next_file>长度(文件)next_file < < - - - - - -1#确定文件名文件< -文件[[next_file]]#处理并返回文件中的数据。注意，在#实际示例，您将进一步细分数据在#文件到适当大小的培训批次。这#会使这个函数更加复杂，所以我们#不要在这里演示它file_to_training_data(文件)｝｝

当验证损失不再减少时，我如何中断训练?

你可以使用一个早期停止回调:

early_stopping < -callback_early_stopping（监控=“val_loss”，耐心=2）模型% > %适合(X, y,validation_split =０．２，回调函数=c(early_stopping))

了解更多回调函数的文档．

如何计算验证分割?

如果你设置validation_split论点适合对于例如0.1，则使用的验证数据将是最后的10%的数据。如果你将其设置为0.25，它将是最后25%的数据，等等。注意，在提取验证分割之前，数据没有被打乱，因此验证实际上只是最后的您传递的输入中的X %的样本。

相同的验证集用于所有时代(在同一个调用中)适合）.

训练过程中数据是否被打乱?

是的,如果洗牌论点适合被设置为真正的(这是默认值)，训练数据将在每个epoch随机洗牌。

验证数据从不洗牌。

如何记录每个epoch的训练/验证损失/准确性?

的model.fit方法返回一个历史Callback，它有一个历史属性，该属性包含连续损耗和其他度量的列表。

嘘< -模型% > %适合(X, y,validation_split =０．２）嘘＄历史

我如何“冻结”Keras层?

“冻结”一个层意味着从训练中排除它，即它的权重永远不会更新。这在微调模型或为文本输入使用固定嵌入时非常有用。

你可以通过可训练的参数(boolean)到一个层构造函数，将一个层设置为不可训练的:

frozen_layer < -layer_dense（单位=32，可训练的=假）

此外，您可以设置可训练的属性的真正的或假在实例化。要想生效，你需要打电话编译()在修改后的模型上可训练的财产。这里有一个例子:

x < -layer_input（形状=c（32）)层< -layer_dense（单位=32）层＄可训练的< -假y < -x% > %层frozen_model < -keras_model(x, y)#在下面的模型中，' layer '的权重在训练过程中不会更新frozen_model% > %编译（优化器=“rmsprop”，损失=mse的）层＄可训练的< -真正的trainable_model < -keras_model(x, y)#使用这个模型，层的权重将在训练期间更新#(它也会影响上面的模型，因为它使用了相同的层实例)trainable_model% > %编译（优化器=“rmsprop”，损失=mse的）frozen_model% > %适合(数据、标签)#不更新图层的权重trainable_model% > %适合(数据、标签)#更新图层的权重

方法，可以冻结或解冻整个模型(或模型中的一系列层)的权重freeze_weights ()而且unfreeze_weights ()功能。例如:

#实例化VGG16模型conv_base < -application_vgg16（重量=“imagenet”，include_top =假，input_shape =c（150，150，3.））#冻结它的重量freeze_weights(conv_base)#创建一个复合模型，包括基础+更多的层模型< -keras_model_sequential（）% > %conv_base% > %layer_flatten（）% > %layer_dense（单位=256，激活=“relu”）% > %layer_dense（单位=1，激活=“乙状结肠”）#编译模型% > %编译（损失=“binary_crossentropy”，优化器=optimizer_rmsprop（lr =2 e-5)，指标=c（“准确性”））# unfreeze weight from "block5_conv1" onunfreeze_weights(conv_base从=“block5_conv1”）#再次编译，因为我们冻结或解冻了图层模型% > %编译（损失=“binary_crossentropy”，优化器=optimizer_rmsprop（lr =2 e-5)，指标=c（“准确性”））

如何使用有状态rnn ?

使RNN有状态意味着每批样本的状态将被重用为下批样本的初始状态。

因此，在使用有状态rnn时，假定:

• 所有批次的样品数量相同
• 如果X1而且X2那么是连续批次的样品吗X2[[我]]后续顺序是到吗X1[[我],每我．

要在rnn中使用有状态性，你需要:

• 参数显式指定正在使用的批处理大小batch_size参数设置为模型中的第一层。如。batch_size = 32对于32个样本批次的10个时间步序列，每个时间步有16个特征。
• 集有状态= TRUE在你的RNN层中。
• 指定洗牌= FALSE当调用合适的()。

方法重置单个层或整个模型中累积的状态reset_states ()函数。

注意方法预测()，符合()，train_on_batch ()，predict_classes ()等将所有更新模型中有状态层的状态。这不仅允许进行有状态训练，还允许进行有状态预测。

我如何从顺序模型中删除一个层?

您可以在Sequential模型中删除最后添加的层pop_layer ()：

模型< -keras_model_sequential（）模型% > %layer_dense（单位=32，激活=“relu”，input_shape =c（784）)% > %layer_dense（单位=32，激活=“relu”）% > %layer_dense（单位=32，激活=“relu”）长度(模型＄层)#“3”模型% > %pop_layer（）长度(模型＄层)#“2”

我如何在Keras中使用预训练的模型?

代码和预先训练的权重可用于以下图像分类模型:

• Xception
• VGG16
• VGG19
• ResNet50
• InceptionV3
• InceptionResNetV2
• MobileNet
• MobileNetV2
• DenseNet
• NASNet

例如:

模型< -application_vgg16（重量=“imagenet”，include_top =真正的）

有关一些简单的用法示例，请参见Applications模块的文档．

VGG16模型也是深的梦想Keras示例脚本。

我如何使用其他Keras后端?

默认情况下，Keras Python和R包使用TensorFlow后端。其他可用的后端包括Theano或CNTK。要了解更多关于使用交替后端(例如Theano或CNTK)的信息，请参阅关于Keras后端的文章．

我如何使用PlaidML后端?

PlaidML是一个开源的便携式深度学习引擎，运行在大多数现有的PC硬件上，使用NVIDIA、AMD或Intel的支持opencl的gpu。PlaidML包含一个Keras后端，您可以按照下面的描述使用它。

首先，构建和安装PlaidML项目网站．在继续之前，您必须确保PlaidML被正确安装、设置和工作!

然后，要将Keras与PlaidML后端一起使用，请执行以下操作:

图书馆(keras)use_backend（“plaidml”）

这将自动发现并使用Python环境plaidml而且plaidml-keras被安装。如果这没有像预期的那样工作，您还可以强制选择特定的Python环境。例如，如果你在名为“PlaidML”的conda环境中安装了PlaidML，你会这样做:

图书馆(keras)use_condaenv（“plaidml”）use_backend（“plaidml”）

我如何在另一个R包中使用Keras ?

# test当Keras不可用时跳过测试的实用程序skip_if_no_keras < -函数（version =零){如果（！is_keras_available(版本)跳过（“所需的keras版本无法进行测试”）｝#在测试中使用函数test_that（“keras函数正常工作”, {skip_if_no_keras（）#测试代码})

# Keras python模块keras < -零#从keras R包中获取模块的引用.onLoad < -函数(库名,pkgname) {keras < < - - - - - -keras：：实现（）｝

在开发过程中如何使用Keras获得可复制的结果?

在模型的开发过程中，有时能够从一个又一个运行中获得可重复的结果是很有用的，以便确定性能的变化是由于实际的模型或数据修改，还是仅仅是一个新的随机样本的结果。

的use_session_with_seed ()函数为R、Python、NumPy和TensorFlow建立了一个通用的随机种子。此外，它还禁用了散列随机化、GPU计算和CPU并行化，这些可能是非再现性的额外来源。

要使用该函数，请在加载keras包后立即调用它:

图书馆(keras)use_session_with_seed（42）#……剩下的代码如下…

该函数采取了所有已知的措施，以促进Keras会话的可复制结果，但是后端使用的各种单独特性或库可能会逃避它的影响。如果您遇到不可重复的结果，请调查问题的可能来源。的源代码use_session_with_seed ()在这里:https://github.com/英格兰vs伊朗让球rstudio/tensorflow/blob/master/R/seed.R．非常欢迎通过拉请求投稿!

请再次注意use_session_with_seed ()默认情况下禁用GPU计算和CPU并行化(因为两者都会导致不确定性计算)，所以在模型训练时间非常重要的情况下一般不应该使用。方法可以重新启用GPU计算和/或CPU并行disable_gpu而且disable_parallel_cpu参数。例如:

图书馆(keras)use_session_with_seed（42，disable_gpu =假，disable_parallel_cpu =假）

Keras配置字段存储在哪里?

所有Keras数据的默认存储目录为:

~ / .keras /

如果Keras无法创建上述目录(例如，由于权限问题)，/ tmp / .keras /用作备份。

Keras配置文件是一个JSON文件，存储在$ HOME / .keras / keras.json．默认配置文件如下所示:

{"image_data_format": "channels_last"， "epsilon": 1e-07， "floatx": "float32"， "backend": "tensorflow"}

它包含以下字段:

• 图像数据格式将被图像处理层和实用程序用作默认格式channels_last或channels_first）.
• 的ε在某些运算中用来防止除零的数值模糊因子。
• 默认的浮点数据类型。
• 默认后端(在Keras的R接口中，它总是“tensorflow”)

同样，缓存的数据集文件，例如下载的数据集文件get_file ()，默认存储在$ HOME / .keras /数据/．