1 hadoop@Slave3:~$ cd ~/ 2 hadoop@Slave3:~$ wget http://www.dramster.com.tw/download/example/MP21710_example.zip 3 --2018-06-03 08:58:44-- http://www.dramster.com.tw/download/example/MP21710_example.zip 4 正在解析主機 www.dramster.com.tw (www.dra

參數描述 參數描述inputs把上一層的輸出作為輸入(直接將上一層作為參數輸入即可)input_shape當作為模型的第一層時,需要指出輸入的形狀(samples,rows,cols,channels) ,只指出后三維即可,第一維度按batch_size自動指定filters卷積過濾器的數量,對應輸出的維數kernel_size整數,過

參數 參數描述units輸出空間的維度input_shape(timestep, input_dim),timestep可以設置為None,由輸入決定,input_dime根據具體情況activation激活函數,默認tanhrecurrent_activationuse_biaskernel_initializerrecurrent_initializerbias_initializerunit_forget_biaskernel_r

參數 參數描述cellinput_shape(timestep, input_dim),timestep可以設置為None,由輸入決定,input_dime根據具體情況return_sequences返回最后序列最后一個詞,或者所有詞return_statego_backwardsstatefulunrolltime_major 輸入形狀 n維的張量(batch_size, timesteps, input_dim

通過feature_columns創建dense Tensor 這一層主要是用來將原始數據根據需要轉換為特征數據,比如進行one-hot編碼 __init__(feature_columns,trainable=True,name=None,**kwargs ) 參數描述feature_columnstrainablename 參考: 官網 https://www.jianshu.com/p/fceb64c

均方誤差（mean-square error, MSE） mse = tf.keras.losses.MeanSquaredError() loss = mse([0., 0., 1., 1.], [1., 1., 1., 0.]) print('Loss: ', loss.numpy()) # Loss: 0.75 init __init__(reduction=losses_utils.ReductionV2.AUTO,nam

參數描述monitor監控的數量min_delta小于該值的會被當成模型沒有進步patience沒有進步的訓練輪數，在這之后訓練就會被停止verbose詳細信息模式mode{“auto”, “min”, “max”}其中之一。在min模式中，當監測的數量停止減少時，訓練將停止；在max模

# add a x -> x^2 layer model.add(Lambda(lambda x: x ** 2)) 參考： 官網

这里需要说明一下，笔者不建议在Windows环境下进行深度学习的研究，一方面是因为Windows所对应的框架搭建的依赖过多，社区设定不完全；另一方面，Linux系统下对显卡支持、内存释放以及存储空间调整等硬件功能支持较好。如果您对Linux环境感到陌

keras 文档 https://keras.io/utils/#multi_gpu_model