BBM的博客

在深度学习的数据集格式中，常用的有csv、json、npy/npz格式等等，这一节我们主要介绍这几种数据集格式的制做和读取。这其中我们介绍 csv格式，npz格式，coco数据集格式，pascol voc格式。

总结我们这次有关keras的课程，主要还是从初学者角度，将着重的的基础的知识介绍给小伙伴们，其目的在于可以完全上手进行开发。TensorFlow 是众多优秀的机器学习和深度学习框架中最成熟的一个，也是研究论文中引用最多的一个，而且在生产中的使用效果也很好。它可能不是最容易学习的框架，但随着 TensorFlow 2的到来，TensorFlow 的门槛也没有 2016 年那般高了。TensorFlow 2.0 官网对该项目的描述为：“端到端的开源机器学习平台。”，谷歌通过“平台”提供了一个包含工具、库以及社区

Keras深度学习框架实战之波斯顿房价回归预测

机器通过损失函数进行学习。这是一种评估特定算法对给定的数据建模程度的方法。如果预测值与真实值之前偏离较远，那么损失函数便会得到一个比较大的值。在一些优化函数的辅助下，损失函数逐渐学会减少预测值与真实值之间的这种误差。

keras数据集官方网站提供了七大数据集，官方网址：https://keras.io/api/datasets/，已矢量化，采用Numpy格式，可用于调试模型或创建简单的代码示例。这里我们介绍一下其中的七大数据集的下载及使用方法。1、手写数字数据集：MNIST2、小图像：CIFAR103、小图像：CIFAR1004、IMDB电影影评情感分类：imdb5、路透社新闻专线主题分类：Reuters6、时尚元素数据集：fashion_MNIST7、波斯顿房价回归.

优化器是keras在模型编译时需要的参数之一

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。​在使用Keras构建UNet模型前，你一定要完成这三个章节的学习，这样搭建此模型时更加方便，这三个章节为：Keras深度学习框架之网络层、Keras深度学习框架之卷积层、Keras深度学习框架之池化层。

在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层，池化层可以有效的缩小参数矩阵的尺寸，从而减少最后连接层的中的参数数量。所以加入池化层可以加快计算速度和防止过拟合的作用。 池化的原理或者是过程：pooling是在不同的通道上分开执行的（就是池化操作不改变通道数），且不需要参数控制。

卷积层负责提取特征，采样层负责特征选择，全连接层负责分类，卷积神经网络说到底，就是起到一个分类器的作用。

keras的层主要包括：常用层（Core）、卷积层（Convolutional）、池化层（Pooling）、局部连接层、递归层（Recurrent）、嵌入层（ Embedding）、高级激活层、规范层、噪声层、包装层，当然也可以编写自己的层。

手写体识别是keras所自带的七个数据集中的一个，用于识别0-9的10阿拉伯数字的手写体，该数据集大约有6000张28*28的手写体图片组成。我们本节课将通过后写体识的这样一个例子，先给大家展示一下使用keras搭建深度学习的过程，为后续的学习做一个概括性的学习。这样更加有利于大家在今后的学习中能更方便的撑握学习要点。

从本节开始，我们将进入到Keras的详细介绍和代码精读，为开始我们的Keras之行，我们首先要搭建一个学习平台。现在让我们开始吧。