python常用框架,python三大基本结构

　　1、残差连接是目前常用的组件，解决了大规模深度学习模型梯度消失和瓶颈问题。

　　通常，在10层以上的模型中追加残差连接可能有帮助。

　　fromkerasimportlayers

　　x=.

　　y=层数Conv2D(128，3，activation=relu ，padding=same)(x)

　　y=层数Conv2D(128，3，activation=relu ，padding=same)(y)

　　y=层数MaxPooling2D(2，步幅=2)(y)

　　#形状不同，要做线性变换：

　　残差=层Conv2D(128，1，步长=2,填充=相同)(x)#使用11卷积，将x线性下采样为与英语字母表的第25个字母具有相同的形状

　　y=layers.add([y，residual])2、标准化用于使模型看到的不同样本更相似，有助于模型的优化和泛化。

　　#Conv

　　conv _模型.添加(图层Conv2D(32，3，activation=relu ).

　　conv _模型.添加(图层BatchNormalization())

　　#密集

　　dense_model.add(图层。密集(32,激活=relu ))

　　dense_model.add(图层BatchNormalization())

　　3、深度可分离卷积层，在克拉斯中被称为SeparableConv2D，其功能与普通Conv2D相同。

　　但是SeparableConv2D比Conv2D轻，训练快，精度高。

　　fromtensorflow。喀拉斯。模型输入顺序，模型

　　fromtensorflow。kerasimportlayers

　　身高=64

　　宽度=64

　　通道=3

　　数量类=10

　　模型=顺序()

　　model.add(图层SeparableConv2D(32，3，

　　激活=relu ，

　　input_shape=(高度，宽度，通道，))

　　model.add(图层SeparableConv2D(64，3，activation=relu ))

　　model.add(图层MaxPooling2D(2))

　　model.add(图层SeparableConv2D(64，3，activation=relu ))

　　model.add(图层SeparableConv2D(128，3，activation=relu ))

　　model.add(图层MaxPooling2D(2))

　　model.add(图层SeparableConv2D(64，3，activation=relu ))

　　model.add(图层SeparableConv2D(128，3，activation=relu ))

　　model.add(图层GlobalAveragePooling2D())

　　model.add(图层。密集(32,激活=relu ))

　　model.add(图层。密集(num_classes，activation=softmax ))

　　模型。编译(optimizer= rms prop ，loss= categorical _ crossentropy )以上就是大蟒高级架构模式的整理，希望对大家有所帮助。更多大蟒学习指路：python基础教程

　　本文教程操作环境：windows7系统、Python 3.9.1、戴尔自交第三代电脑。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。