Лазанья последовательность слоев
рецепты с фото на Повар.ру (194 рецепта лазаньи)
Лазанья с мясом 4.6
Классический рецепт приготовления лазаньи с пошаговыми фотографиями - вашему вниманию. Приготовить настоящую итальянскую лазанью по этому рецепту сможет даже начинающий кулинар. ...далее
Добавил: Саша Кружко 02.05.2013
Лазанья классическая с фаршем 4.1
Любите итальянскую кухню? Тогда вы непременно должны знать, как приготовить лазанью классическую с фаршем. Это простой рецепт одного из самых известных в мире сытных мясных блюд. ...далее
Добавил: Ju Lia 21.07.2016
Простая лазанья с фаршем 4.7
Всегда вкусное и очень сытное блюдо, которое можно приготовить даже на праздничный стол. Чтобы простая лазанья с фаршем получилась еще вкуснее, в нее можно добавить грибы. ...далее
Добавил: Юлия Мальченко 12.03.2015
Лазанья из макарон с фаршем 4.4
Изысканное и очень вкусное итальянское блюдо. Сочетает в себе слои начинки вперемешку со слоями теста, политых сверху ароматным соусом. Все это - лазанья из макарон с фаршем! ...далее
Добавил: Алексей Марчук 19.06.2014
Лазанья под соусом "Болоньезе" 4.3
Лазанья – блюдо, которое имеет множество рецептов и может быть практически любым. Лазанья может быть мясной, грибной, овощной, рыбной, все зависит только от ваших линых предпочтений. ...далее
Добавил: Евдокия Антонова 26.07.2016
Лазанья с овощами 4.1
Очень вкусное и питательное блюдо, идеально подходит для вегетарианцев. ...далее
Добавил: Евгений Лем 08.01.2013
Лазанья в мультиварке 4.2
Захотелось лазаньи, но неохота весь день стоять у плиты? Есть решение - используйте мультиварку! Чудо-печка поможет вам быстро и легко приготовить вкуснейшую настоящую лазанью. ...далее
Добавил: Bamby 02.04.2013
Лазанья в микроволновке 4.4
Лазанья - сытное и вкусное блюдо, любимое очень многими. Не случайно ведь она так быстро стала настолько популярной в России! Простейший способ приготовить лазанью - в микроволновке. Рассказываю, как! ...далее
Добавил: Арина Вольская 11.05.2013
Лазанья на скорую руку 4.2
Когда времени на готовку совсем немного, а хочется приготовить что-то нетрадиционное - приготовьте лазанью на скорую руку по этому рецепту. Необычно, вкусно и главное - быстро! ...далее
Добавил: Арина Вольская 03.10.2013
Постная лазанья 4.5
Обожаю все, что связано с пастой. А лазанья - блюдо номер один. Рекомендую подавать ее с оливковым маслом с чили. Это - просто бомба! Постная лазанья готовится из овощей, сыра и листов лазаньи. ...далее
Добавил: DianaV 13.03.2014
Лазанья классическая 4.5
Лазанья – одно из самых популярных итальянских блюд, каждая хозяйка знает несколько десятков приготовления этого вкуснейшего блюда. Сегодня я познакомлю вас с классическим рецептом лазаньи с фаршем. ...далее
Добавил: Алексей Марчук 07.11.2017
Лазанья с фаршем и творогом 5.0
Для аппетитного и сытного обеда или праздничного ужина не найти идеи лучше. Рецепт приготовления лазаньи с фаршем и творогом довольно прост, а результат по-настоящему удивит вас. ...далее
Добавил: Марина Золотцева 29.12.2014
Вегетарианская лазанья со шпинатом 1.0
Прекрасная запеканка, которая понравится всем без исключения: и мясоедам, и вегетарианцам. По крайней мере моя семья в восторге. ...далее
Добавил: Povarforlife 23.10.2015
Лазанья с курицей и шампиньонами 4.5
Рецептов лазаньи существует огромное множество. Достаточно просто поменять что-то в рецептуре начинки… получается совершенно новое блюдо. Одним из самых удачных считается вариант с курицей и грибами. ...далее
Добавил: Яна Горностаева 17.09.2016
Лазанья с фаршем в духовке 3.0
Предлагаю интересный рецепт приготовления лазаньи в духовке быстро и просто. Конечно, это не классический рецепт, но любителям разнообразной пищи понравится! Обязательно попробойте приготовить и вы! ...далее
Добавил: Марина Софьянчук 20.06.2016
Лучший рецепт лазаньи 4.8
Лазанья - отличный вариант для обеда или ужина. Этим блюдом можно удивить гостей или порадовать своих близких. Попробуйте несложный в приготовлении рецепт очень сытной и вкусной лазаньи. ...далее
Добавил: Дарья Вакулова 20.12.2018
Лазанья, приготовленная в аэрогриле 3.1
Рецепт приготовления лазаньи в аэрогриле. Лазанья - блюдо оригинальное интересное и очень вкусное. Основные его ингредиенты: мясной фарш, картофель и сыр моцарелла. ...далее
Добавил: Alteredego 11.10.2011
Лазанья "Просто лентяйка" 5.0
У вас нет духовки, а лазаньи хочется здесь, и прямо сейчас? Тогда специально для вас — рецепт, как приготовить лазанью "Просто лентяйка"! Уже по названию понятно, что блюдо готовится просто :) ...далее
Добавил: Дарья Вакулова 07.05.2017
Вафельная лазанья с курицей 5.0
Сегодня делюсь с вами оригинальным и простым рецептом, как приготовить вафельную лазанью с курицей. Конечно, общего у моего блюда и лазаньи только то, что все складывается слоями. Но это вкусно. ...далее
Добавил: Марина Софьянчук 06.11.2017
Американская лазанья 4.2
Эта лазанья готовится без соуса "Бешамель", зато с вкуснейшей рикоттой. Получается очень вкусно и полезно, ведь рикотта содержит очень много кальция. Кроме того, здесь много твердого сыра и овощей. ...далее
Добавил: Саша Кружко 01.10.2010
Лазанья (классический рецепт) 4.2
Это классическое блюдо итальянской кухни можно приготовить и в домашних условиях. Лазанью, к слову, можно подавать не только в качестве повседневного блюда, но и на праздники. Блюдо универсальное. ...далее
Добавил: Арутюнова Кристина 21.07.2017
Лазанья в перце 5.0
Предлагаю вам необычную подачу лазаньи в крупном сладком перце. Сочетание сочного мясного фарша, нежных листов лазаньи, рикотты и базилика удачно подчеркивается вкусом запеченного сладкого перца. ...далее
Добавил: Дарья Вакулова 23.11.2017
Картофельная лазанья с фаршем 4.8
Картофельная лазанья с фаршем - это лазанья "по мотивам". Строго говоря, назвать это блюдо лазаньей нельзя, но принцип слоев, соуса и запекания сохраняется. Я бы назвала это "лазаньей по-русски"! ...далее
Добавил: Galate 07.01.2015
Лазанья с ароматом моря 5.0
Лазанья — вкуснейшее блюдо. В этом рецепте лазанья готовится с морепродуктами и не с классическим соусом "Бешамель", а с более ароматным неповторимым соусом. Интересно? Смотрите рецепт! ...далее
Добавил: Цибульская Наталья 15.03.2018
Лазанья со сливками 5.0
В классическом рецепте лазаньи неотъемлемым составляющим является соус "Бешамель". На его приготовление уходит время. Предлагаю облегчить процесс и заменить соус на сливки. ...далее
Добавил: Кристина 15.08.2019
Лазанья с грибами 4.0
Рецепт приготовления лазаньи с грибами, соусом Бешамель и сыром Пармезан. ...далее
Добавил: Alteredego 12.01.2012
Лазанья из слоеного теста 4.4
Лазанья из слоеного теста еще вкуснее, чем лазанья из классических плоских листов лапши. Готовится эта лазанья практически на скорую руку, если под рукой есть фарш, тертый сыр и грибы. ...далее
Добавил: Galate 20.12.2014
Лазанья веганская 4.4
Отказ от продуктов животного происхождения вовсе не повод исключать из меню знаменитое блюдо итальянской кухни. Предлагаю удивительно простой рецепт лазаньи веганской из овощей с томатным соусом. ...далее
Добавил: Марина Золотцева 01.02.2015
Лазанья из лаваша 4.2
Лазанья - отличное блюдо для семейного обеда или ужина. Начинка с фаршем, помидорами и луком делает блюдо очень сытным. Вы можете экспериментировать, добавляя в лазанью разные продукты. ...далее
Добавил: Алексей Марчук 13.08.2015
Лазанья с фаршем из готовых листов 2.7
Среди самых известных и популярных блюд итальянской кухни лазанья занимает почетное место. Сытно, аппетитно и невероятно вкусно. Если вы попробуете блюдо хоть раз, уже не сможете от него отказаться. ...далее
Добавил: Екатерина Фесенко 02.12.2016
Лазанья (простой рецепт) 5.0
Иногда хочется приготовить что-то необычное, например, итальянское. Сегодня я расскажу вам, как приготовить лазанью. С этим рецептом ваша кухня превратится в итальянский ресторан. ...далее
Добавил: Татьяна Семина 12.12.2018
Лазанья куриная 4.8
Еще один вариант лазаньи – с курицей. Быстро, просто и очень вкусно! Рекомендую! ...далее
Добавил: Ира Cамохина 27.11.2018
Домашняя лазанья простая 4.7
Многие боятся готовить лазанью дома, предпочитая лакомиться этим блюдом в итальянских кафе или ресторанах. А ведь можно вкусно приготовить это блюдо и дома, в этом вам поможет этот простой рецепт. ...далее
Добавил: Арина Вольская 13.10.2017
Вкуснейшая лазанья 5.0
Если еще не знаете, как приготовить вкуснейшую лазанью, тогда возьмите на заметку этот рецепт. У вас получится отличное блюдо, вы порадуете им друзей, родных. Сделайте его на праздник или просто так. ...далее
Добавил: Антон Сорока 10.01.2018
Лазанья с нутами
Рецепт лазаньи с нутами. Старая итальянская кухня ...далее
Добавил: Chepel 25.05.2010
Тесто для лазаньи 4.7
Для тех, кто ценит домашнюю пищу и не использует готового теста, - рецепт приготовления теста для лазаньи. Приготовить его несложно. Раскатывать тесто можно скалкой или использовать аппарат. ...далее
Добавил: Natalia 25.06.2014
Лазанья с овощами с сыром 4.4
Побалуйте себя великолепной едой в итальянском стиле, приложив самый минимум усилий. Это простой рецепт приготовления лазаньи с овощами и сыром. Блюдо отлично подходит для ужина или обеда. ...далее
Добавил: Саша Кружко 28.09.2010
Лазанья со спаржей 5.0
Рецепт приготовления лазаньи со спаржей. Очень вкусное блюдо. Попробуйте – не пожалеете. ...далее
Добавил: Саша Кружко 27.12.2011
Специальные листы для лазаньи выкладываются в форму, чередуясь с начинкой, в итоге получается слоеное блюдо, пропитанное соками от начинки и соусом. Если вы собираетесь приготовить это блюдо впервые, предлагаем простые рецепты лазаньи в домашних условиях, которые подробно и пошагово расскажут все тонкости готовки этой вкуснятины. Одна из основных прелестей лазаньи заключается в её универсальности: блюда идеально подходит для семейного, романтического и даже праздничного обеда или ужина. Вам не придётся отдельно ломать голову над гарниром, к готовому горячему можно лишь сделать лёгкий овощной салат, т.к. макаронная составляющая и является гарниром априори. Смотрите и запоминайте, как приготовить лазанью дома, чтобы радовать своих родных и близких вкусными и сытными блюдами чаще.
слоев последовательности Adobe After Effects CS6
- () Adobe After Effects. Adobe After Effects CS6: Ctrl + I. Импортировать файл: импортировать папку.
(Ctrl + N), Длительность настроек композиции:
:
, Ctrl + A: Анимация> Помощник по ключевым кадрам> Слои последовательности. (Перекрытие) (Переход: растворение переднего слоя, перекрестное растворение переднего и заднего слоев)..
After Effects:
: Ctrl + K Настройки композиции, - ().
:
:
.
| Слой softmax применяет функцию softmax к входу. |
| Сигмоидный слой применяет сигмоидальную функцию к входу, например что выход ограничен интервалом (0,1). |
| Уровень классификации вычисляет потерю перекрестной энтропии для задачи многоклассовой классификации с взаимоисключающими классами. |
| Уровень регрессии вычисляет потерю полусреднеквадратичной ошибки для задач регрессии. |
| Слой классификации пикселей обеспечивает категориальную метку для каждый пиксель или воксель изображения. |
| Слой классификации пикселей Dice обеспечивает категориальную метку для каждого пикселя или вокселя изображения с использованием обобщенных потерь в кости. |
| Слой фокальных потерь предсказывает классы объектов с использованием фокуса потеря. |
| Уровень softmax сети региональных предложений (RPN) применяет softmax функция активации на вход. Используйте этот слой для создания более быстрого обнаружения объекта R-CNN. сеть. |
| Уровень классификации сети предложений регионов (RPN) классифицирует области изображения как объект или фон с помощью функции кросс-энтропийной потери. Используйте этот слой для создания сети обнаружения объектов Faster R-CNN. |
| Слой регрессии прямоугольника уточняет расположение ограничивающего прямоугольника с помощью функции сглаженных потерь L1.Используйте этот слой для создания сети обнаружения объектов Fast или Faster R-CNN. |
| Слой взвешенной классификации вычисляет взвешенное кросс потеря энтропии для задач классификации. |
| Слой классификации пикселей Тверски обеспечивает категориальную метку для каждого пикселя или вокселя изображения с использованием потерь Тверски. |
| Слой классификации SSE вычисляет сумму квадратов ошибок потеря для задач классификации. |
| Слой MAE регрессии вычисляет среднюю абсолютную потерю ошибок для задач регрессии. |
Последовательная модель
Автор: fchollet
Дата создания: 2020/04/12
Последнее изменение: 2020/04/12
Описание: Полное руководство по последовательной модели.
Просмотреть в Colab • Исходный код GitHub
Настройка
импортировать тензорный поток как tf из tenorflow import keras из слоев импорта tensorflow.keras
Когда использовать последовательную модель
Модель Sequential
подходит для простой стопки слоев где каждый слой имеет ровно один входной тензор и один выходной тензор .
Схематично следующая модель Sequential
:
# Определить последовательную модель с 3 слоями model = keras.Sequential ( [ Layers.Dense (2, Activation = "relu", name = "layer1"), Layers.Dense (3, Activation = "relu", name = "layer2"), Layers.Dense (4, name = "layer3"), ] ) # Вызов модели на тестовом входе х = tf.ones ((3, 3)) y = модель (x)
эквивалентно этой функции:
# Создать 3 слоя layer1 = слои.Плотный (2, активация = "relu", name = "layer1") Layer2 = Layers.Dense (3, Activation = "relu", name = "layer2") Layer3 = Layers.Dense (4, name = "layer3") # Вызов слоев на тестовом входе х = tf.ones ((3, 3)) y = слой3 (слой2 (слой1 (x)))
Последовательная модель не подходит когда:
- Ваша модель имеет несколько входов или несколько выходов
- Любой из ваших слоев имеет несколько входов или несколько выходов
- Вам нужно сделать общий доступ к слоям
- Вам нужна нелинейная топология (например,грамм. остаточная связь, многоотводная модель)
Создание последовательной модели
Вы можете создать Последовательную модель, передав список слоев в Последовательную конструктор:
модель = keras.Sequential ( [ Layers.Dense (2, Activation = "relu"), Layers.Dense (3, Activation = "relu"), слои плотные (4), ] )
Его слои доступны через слоев
атрибут:
[<тензорный поток.python.keras.layers.core.Dense по адресу 0x148873e90>, , ]
Вы также можете создать последовательную модель постепенно с помощью метода add ()
:
модель = keras.Sequential () model.add (Layers.Dense (2, Activation = "relu")) model.add (Layers.Dense (3, Activation = "relu")) model.add (Layers.Dense (4))
Обратите внимание, что есть также соответствующий метод pop ()
для удаления слоев: Последовательная модель очень похожа на список слоев.
model.pop () print (len (model.layers)) # 2
Также обратите внимание, что конструктор Sequential принимает аргумент name
, как и любой слой или модель в Керасе. Это полезно для аннотирования графиков TensorBoard с семантически значимыми именами.
модель = keras.Sequential (name = "my_sequential") model.add (Layers.Dense (2, Activation = "relu", name = "layer1")) model.add (Layers.Dense (3, Activation = "relu", name = "layer2")) model.add (Layers.Dense (4, name = "layer3"))
Предварительное указание формы ввода
Как правило, все слои в Keras должны знать форму входных данных. чтобы иметь возможность создавать свои веса.Итак, когда вы создаете слой вроде это изначально не имеет веса:
слой = слои плотный (3) layer.weights # Пусто
Он создает свои веса при первом вызове на входе, поскольку фигура весов зависит от формы входов:
# Вызов уровня на тестовом входе х = tf.ones ((1, 4)) y = слой (x) layer.weights # Теперь у него есть веса формы (4, 3) и (3,)
[, ]
Естественно, это относится и к последовательным моделям. Когда вы создаете экземпляр Последовательная модель без формы ввода, она не «построена»: у нее нет весов. (и звонит модель.веса
приводит к ошибке, указывающей именно это). Гири созданы когда модель впервые видит некоторые входные данные:
модель = keras.Sequential ( [ Layers.Dense (2, Activation = "relu"), Layers.Dense (3, Activation = "relu"), слои плотные (4), ] ) # На данном этапе весов нет! # На данный момент вы не можете этого сделать: # model.weights # Вы также не можете этого сделать: # model.summary () # Вызываем модель на тестовом входе х = tf.ones ((1, 4)) y = модель (x) print ("Количество весов после вызова модели:", len (model.веса)) # 6
Кол-во весов после вызова модели: 6
После того, как модель "построена", вы можете вызвать ее метод summary ()
, чтобы отобразить ее содержание:
Модель: «последовательный_3» _________________________________________________________________ Слой (тип) Параметр формы вывода # ================================================== =============== плотный_7 (плотный) (1, 2) 10 _________________________________________________________________ плотный_8 (плотный) (1, 3) 9 _________________________________________________________________ плотный_9 (плотный) (1, 4) 16 ================================================== =============== Всего параметров: 35 Обучаемые параметры: 35 Необучаемые параметры: 0 _________________________________________________________________
Однако это может быть очень полезно при построении последовательной модели постепенно. чтобы иметь возможность отображать сводку модели на данный момент, включая текущую форма вывода.В этом случае вы должны начать свою модель, передав Input
объект вашей модели, чтобы он знал свою форму ввода с самого начала:
модель = keras.Sequential () model.add (keras.Input (shape = (4,))) model.add (Layers.Dense (2, Activation = "relu")) model.summary ()
Модель: «последовательный_4» _________________________________________________________________ Слой (тип) Параметр формы вывода # ================================================== =============== плотный_10 (плотный) (нет, 2) 10 ================================================== =============== Всего параметров: 10 Обучаемые параметры: 10 Необучаемые параметры: 0 _________________________________________________________________
Обратите внимание, что объект Input
не отображается как часть модели .слоев
, т.к. это не слой:
[]
Простая альтернатива - просто передать аргумент input_shape
вашему первому слой:
модель = keras.Sequential () model.add (Layers.Dense (2, Activation = "relu", input_shape = (4,))) model.summary ()
Модель: «последовательный_5» _________________________________________________________________ Слой (тип) Параметр формы вывода # ================================================== =============== плотный_11 (плотный) (нет, 2) 10 ================================================== =============== Всего параметров: 10 Обучаемые параметры: 10 Необучаемые параметры: 0 _________________________________________________________________
Модели, построенные с заранее заданной формой ввода, подобной этой, всегда имеют веса (даже до просмотра каких-либо данных) и всегда иметь определенную форму вывода.
В общем, рекомендуется всегда указывать форму ввода Последовательной модели заранее, если вы знаете, что это такое.
Стандартный рабочий процесс отладки: add ()
+ summary ()
При построении новой последовательной архитектуры полезно наращивать слои с add ()
и часто печатают сводки моделей. Например, это позволяет отслеживать, как работает стек из слоев Conv2D
и MaxPooling2D
. карты функций понижающей дискретизации изображения:
модель = keras.Последовательный () model.add (keras.Input (shape = (250, 250, 3))) # 250x250 изображений RGB model.add (Layers.Conv2D (32, 5, strides = 2, activate = "relu")) model.add (Layers.Conv2D (32, 3, Activation = "relu")) model.add (Layers.MaxPooling2D (3)) # Сможете ли вы угадать текущую форму вывода на данный момент? Возможно нет. # Давайте просто напечатаем: model.summary () # Ответ был: (40, 40, 32), поэтому мы можем продолжать понижать дискретизацию ... model.add (Layers.Conv2D (32, 3, Activation = "relu")) model.add (Layers.Conv2D (32, 3, Activation = "relu")) модель.добавить (слои.MaxPooling2D (3)) model.add (Layers.Conv2D (32, 3, Activation = "relu")) model.add (Layers.Conv2D (32, 3, Activation = "relu")) model.add (Layers.MaxPooling2D (2)) # И сейчас? model.summary () # Теперь, когда у нас есть карты функций 4x4, пора применить глобальный максимальный пул. model.add (слои.GlobalMaxPooling2D ()) # Наконец, мы добавляем классификационный слой. model.add (Layers.Dense (10))
Модель: "sequence_6" _________________________________________________________________ Слой (тип) Параметр формы вывода # ================================================== =============== conv2d (Conv2D) (Нет, 123, 123, 32) 2432 _________________________________________________________________ conv2d_1 (Conv2D) (Нет, 121, 121, 32) 9248 _________________________________________________________________ max_pooling2d (MaxPooling2D) (Нет, 40, 40, 32) 0 ================================================== =============== Всего параметров: 11,680 Обучаемые параметры: 11,680 Необучаемые параметры: 0 _________________________________________________________________ Модель: "sequence_6" _________________________________________________________________ Слой (тип) Параметр формы вывода # ================================================== =============== conv2d (Conv2D) (Нет, 123, 123, 32) 2432 _________________________________________________________________ conv2d_1 (Conv2D) (Нет, 121, 121, 32) 9248 _________________________________________________________________ max_pooling2d (MaxPooling2D) (Нет, 40, 40, 32) 0 _________________________________________________________________ conv2d_2 (Conv2D) (Нет, 38, 38, 32) 9248 _________________________________________________________________ conv2d_3 (Conv2D) (Нет, 36, 36, 32) 9248 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (Нет, 12, 12, 32) 0 _________________________________________________________________ conv2d_4 (Conv2D) (Нет, 10, 10, 32) 9248 _________________________________________________________________ conv2d_5 (Conv2D) (Нет, 8, 8, 32) 9248 _________________________________________________________________ max_pooling2d_2 (MaxPooling2 (Нет, 4, 4, 32) 0 ================================================== =============== Всего параметров: 48 672 Обучаемые параметры: 48 672 Необучаемые параметры: 0 _________________________________________________________________
Очень практично, правда?
Что делать, если у вас есть модель
Когда ваша модельная архитектура будет готова, вы захотите:
После построения последовательной модели она ведет себя как функциональный API. модель.Это означает, что каждый уровень имеет вход
и выводит атрибут
. Эти атрибуты можно использовать для интересных вещей, например быстро создание модели, которая извлекает выходы всех промежуточных слоев в Последовательная модель:
initial_model = keras.Sequential ( [ keras.Input (shape = (250, 250, 3)), Layers.Conv2D (32, 5, strides = 2, activate = "relu"), Layers.Conv2D (32, 3, Activation = "relu"), Layers.Conv2D (32, 3, Activation = "relu"), ] ) feature_extractor = керас.Модель( input = initial_model.inputs, output = [layer.output для слоя в initial_model.layers], ) # Вызов функции извлечения при тестовом входе. x = tf.ones ((1, 250, 250, 3)) features = feature_extractor (x)
Вот аналогичный пример, который извлекает объекты только из одного слоя:
initial_model = keras.Sequential ( [ keras.Input (shape = (250, 250, 3)), Layers.Conv2D (32, 5, strides = 2, activate = "relu"), Layers.Conv2D (32, 3, Activation = "relu", name = "my_intermediate_layer"), слои.Conv2D (32, 3, Activation = "relu"), ] ) feature_extractor = keras.Model ( input = initial_model.inputs, output = initial_model.get_layer (name = "my_intermediate_layer"). output, ) # Вызов функции извлечения при тестовом входе. x = tf.ones ((1, 250, 250, 3)) features = feature_extractor (x)
Передача обучения с последовательной моделью
Трансферное обучение состоит из замораживания нижних слоев модели и только обучения верхние слои. Если вы не знакомы с ним, обязательно прочтите наше руководство передать обучение.
Вот две распространенные схемы трансферного обучения с использованием последовательных моделей.
Сначала предположим, что у вас есть последовательная модель, и вы хотите заморозить все слои кроме последнего. В этом случае вы просто перебираете model.layers
и установите layer.trainable = False
на каждом слое, кроме последний. Как это:
модель = keras.Sequential ([ keras.Input (форма = (784)) Layers.Dense (32, активация = 'relu'), слои.Плотный (32, активация = 'relu'), Layers.Dense (32, активация = 'relu'), слои плотные (10), ]) # Предположительно вы захотите сначала загрузить предварительно натренированные веса. model.load_weights (...) # Заморозить все слои, кроме последнего. для слоя в model.layers [: - 1]: layer.trainable = Ложь # Перекомпилируйте и тренируйте (это обновит вес только последнего слоя). model.compile (...) model.fit (...)
Другой распространенный план - использование последовательной модели для стекирования предварительно обученного модель и несколько недавно инициализированных слоев классификации.Как это:
# Загрузить сверточную базу с предварительно натренированными весами base_model = keras.applications.Xception ( weights = 'imagenet', include_top = Ложь, pooling = 'avg') # Заморозить базовую модель base_model.trainable = Ложь # Используйте последовательную модель, чтобы добавить обучаемый классификатор сверху model = keras.Sequential ([ base_model, слои Dense (1000), ]) # Компиляция и обучение model.compile (...) model.fit (...)
Если вы занимаетесь переносным обучением, вы, вероятно, часто будете использовать эти два шаблона.
Это все, что вам нужно знать о последовательных моделях!
Чтобы узнать больше о строительных моделях в Керасе, см .:
.Входной уровень последовательности - MATLAB
Замечания по использованию и ограничения:
Чтобы сгенерировать код CUDA ® или C ++ с помощью GPU Coder ™, вы должны сначала построить и обучить глубокую нейронную сеть. Как только сеть обученный и оцененный, вы можете настроить генератор кода для генерации кода и развертывания сверточная нейронная сеть на платформах, использующих процессоры NVIDIA ® или ARM ® GPU. Для получения дополнительной информации см. Deep Learning with GPU Coder (GPU Coder).
Для этого уровня вы можете сгенерировать код, использующий преимущества NVIDIA Библиотека глубокой нейронной сети CUDA (cuDNN) или NVIDIA Высокопроизводительная библиотека вывода TensorRT ™.
-
Библиотека cuDNN поддерживает векторные и двумерные последовательности изображений. В Библиотека TensorRT поддерживает только векторные входные последовательности.
-
Для входных векторных последовательностей количество функций должно быть постоянным. во время генерации кода.
-
Для входных последовательностей изображений высота, ширина и количество каналы должны быть постоянными во время генерации кода.
-
Генерация кода не поддерживает
«Нормализация»
указывается с помощью дескриптора функции.