一、Keras 模型

兩類主要的模型：Sequential 順序模型 和 使用函數式 API 的 Model 類模型。

1、共同的方法和屬性

model.layers：包含模型網絡層的展平列表。
model.inputs：模型輸入張量的列表。
model.outputs：模型輸出張量的列表。
model.summary()：打印出模型概述信息。它是 utils.print_summary 的簡捷調用。

model.get_config()：返回包含模型配置信息的字典。通過以下代碼，就可以根據這些配置信息重新實例化模型：

config = model.get_config()
model = Model.from_config(config)
# 或者，對於 Sequential:
model = Sequential.from_config(config)

model.get_weights()：返回模型中所有權重張量的列表，類型爲 Numpy 數組。
model.set_weights(weights)：從 Numpy 數組中爲模型設置權重。列表中的數組必須與 get_weights() 返回的權重具有相同的尺寸。
model.to_json()：以 JSON 字符串的形式返回模型的表示（不包括權重，僅包含結構）。可通過以下方式從 JSON 字符串重新實例化同一模型（使用重新初始化的權重）：
```
from keras.models import model_from_json

json_string = model.to_json()
model = model_from_json(json_string)
```
model.to_yaml()：以 YAML 字符串的形式返回模型的表示（不包括權重，僅包含結構）**。可通過以下代碼，從 YAML 字符串中重新實例化相同的模型（使用重新初始化的權重）：
```
from keras.models import model_from_yaml

yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string)
```
model.save_weights(filepath)：將模型權重存儲爲 HDF5 文件。
model.load_weights(filepath, by_name=False)：從 HDF5 文件（由 save_weights 創建）中加載權重。默認情況下，模型的結構應該是不變的。如果想將權重載入不同的模型（部分層相同），設置 by_name=True 來載入那些名字相同的層的權重。

2、Model 類繼承

自定義模型：繼承 Model 類並在 call 方法中實現你自己的前向傳播，以創建自定義的模型。

示例：用 Model 類繼承寫的簡單的多層感知器的例子。

網絡層定義在 __init__(self, ...) 中指定；
前向傳播在 call(self, inputs) 中指定：可以指定自定義的損失函數，通過調用 self.add_loss(loss_tensor) 實現。

import keras
from keras.layers import Dense, Dropout, BatchNormalization

class SimpleMLP(keras.Model):
    def __init__(self, use_bn=False, use_dp=False, num_classes=10):
        super(SimpleMLP, self).__init__(name='mlp')
        self.use_bn = use_bn
        self.use_dp = use_dp
        self.num_classes = num_classes
        
        self.dense1 = Dense(32, activation='relu')
        self.dense2 = Dense(num_classes, activation='softmax')
        if self.use_dp:
            self.dp = Dropout(0.5)
        if self.use_bn:
            self.bn = BatchNormalization(axis=-1)
            
    def call(self, inputs):
        x = self.dense1(inputs)
        if self.use_dp:
            x = self.dp(x)
        if self.use_bn:
            x = self.bn(x)
        return self.dense2(x)


model = SimpleMLP()
model.compile(...)
model.fit(...)

在類繼承模型中，模型的拓撲結構是由 Python 代碼定義的（而不是網絡層的靜態圖）。這意味着該模型的拓撲結構不能被檢查或序列化。因此，以下方法和屬性不適用於類繼承模型：

model.inputs 和 model.outputs。
model.to_yaml() 和 model.to_json()。
model.get_config() 和 model.save()。

關鍵點：爲每個任務使用正確的 API。Model 類繼承 API 可以爲實現複雜模型提供更大的靈活性，但它需要付出代價（比如缺失的特性）：它更冗長，更復雜，並且有更多的用戶錯誤機會。如果可能的話，儘可能使用函數式 API，這對用戶更友好。

二、Sequential 模型 API

1、compile()：配置訓練模型

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

參數：

optimizer: 字符串 （優化器名）或者優化器對象。詳見 optimizers。
loss: 字符串 （目標函數名）或目標函數。詳見 losses。
- 多輸出模型：通過傳遞損失函數的字典或列表，在每個輸出上使用不同的損失。模型將最小化的損失值將是所有單個損失的總和。
metrics: 在訓練和測試期間的模型評估標準。通常你會使用 metrics = ['accuracy']。
- 對於多輸出模型的不同輸出指定不同的評估標準：傳遞一個字典，eg：metrics = {'output_a'：'accuracy'}。
loss_weights: 指定標量係數（Python浮點數）的可選列表或字典，用於加權不同模型輸出的損失貢獻。
- 模型將要最小化的損失值將是所有單個損失的加權和，由 loss_weights 係數加權。
- 如果是列表，則期望與模型的輸出具有 1:1 映射。如果是張量，則期望將輸出名稱（字符串）映射到標量係數。
sample_weight_mode：
- 若執行按時間步採樣權重（2D 權重），則設置爲 temporal。
- 默認爲 None，爲採樣權重（1D）。
- 如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的 sample_weight_mode。
weighted_metrics：在訓練和測試期間，由 sample_weight 或 class_weight 評估和加權的度量標準列表。
target_tensors：默認情況下，Keras 將爲模型的目標創建一個佔位符，在訓練過程中將使用目標數據。相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數據），您可以通過 target_tensors 參數指定它們。它應該是單個張量（對於單輸出 Sequential 模型）。
**kwargs:
- 當使用 Theano/CNTK 後端時，這些參數被傳入 K.function。
- 當使用 TensorFlow 後端時，這些參數被傳遞到 tf.Session.run。

異常

ValueError：如果 optimizer, loss, metrics 或 sample_weight_mode 這些參數不合法。

2、fit()：訓練模型

以固定數量的輪次（數據集上的迭代）訓練模型：

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

參數

x: 訓練數據的 Numpy 數組。
- 如果模型中的輸入層被命名，則可傳遞一個字典，將輸入層名稱映射到 Numpy 數組。
- 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是 None（默認）。
y: 標籤數據的 Numpy 數組。
- 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。
- 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是 None（默認）。
batch_size: 整數或 None。每次提度更新的樣本數。如果未指定，默認爲 32.
epochs: 整數。訓練模型迭代輪次。一個輪次是在整個 x 或 y 上的一輪迭代。請注意，與 initial_epoch 一起，epochs 被理解爲「最終輪次」。模型並不是訓練了 epochs 輪，而是到第 epochs 輪停止訓練。
verbose: 0, 1 或 2。日誌顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。
callbacks: 一系列的 keras.callbacks.Callback 實例。一系列可以在訓練時使用的回調函數。詳見 callbacks。
validation_split: 用作驗證集的訓練數據的比例，範圍：[0,1]。
validation_data: 元組 (x_val, y_val) 或元組 (x_val, y_val, val_sample_weights)，用來評估損失，以及在每輪結束時的任何模型度量指標。模型將不會在這個數據上進行訓練。這個參數會覆蓋 validation_split。
shuffle: 布爾值（是否在每輪迭代之前混洗數據）或者字符串 (batch)。
- batch 是處理 HDF5 數據限制的特殊選項，它對一個 batch 內部的數據進行混洗。
- 當 steps_per_epoch 非 None 時，這個參數無效。
class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型「更多關注」來自代表性不足的類的樣本。
sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸爲 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。
initial_epoch: 開始訓練的輪次（有助於恢復之前的訓練）。
steps_per_epoch: 在聲明一個輪次完成並開始下一個輪次之前的總步數（樣品批次）。
- 使用 TensorFlow 數據張量等輸入張量進行訓練時，默認值 None 等於數據集中樣本的數量除以 batch 的大小，如果無法確定，則爲 1。
validation_steps: 只有在指定了 steps_per_epoch 時纔有用。停止前要驗證的總步數（批次樣本）。

返回：一個 History 對象。

其 History.history 屬性是連續 epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。

異常

RuntimeError: 如果模型從未編譯。
ValueError: 在提供的輸入數據與模型期望的不匹配的情況下。

3、evaluate()：模型評估

在測試模式，返回誤差值和評估標準值。 計算逐批次進行。

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)

參數：

x: 訓練數據的 Numpy 數組。如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數組。如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是 None（默認）。
y: 目標（標籤）數據的 Numpy 數組。如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是 None（默認）。
batch_size: 整數或 None。每次提度更新的樣本數。如果未指定，默認爲 32.
verbose: 0, 1。日誌顯示模式。0 = 安靜模式, 1 = 進度條。
sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸爲 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode="temporal"。
steps: 整數或 None。聲明評估結束之前的總步數（批次樣本）。默認值 None。

標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。屬性 model.metrics_names 將提供標量輸出的顯示標籤。

4、predict()：預測

爲輸入樣本生成輸出預測。

predict(x, batch_size=None, verbose=0, steps=None)

參數

x: 輸入數據，Numpy 數組（或者如果模型有多個輸入，則爲 Numpy 數組列表）。
batch_size: 整數。如未指定，默認爲 32。
verbose: 日誌顯示模式，0 或 1。
steps: 聲明預測結束之前的總步數（批次樣本）。默認值 None。

返回：預測的 Numpy 數組。

異常

ValueError: 如果提供的輸入數據與模型的期望數據不匹配，或者有狀態模型收到的數量不是批量大小的倍數。

5、train_on_batch()

batch 的單次梯度更新。

train_on_batch(x, y, sample_weight=None, class_weight=None)

參數：

x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則爲 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則爲 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸爲 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。
class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型「更多關注」來自代表性不足的類的樣本。

標量訓練誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。屬性 model.metrics_names 將提供標量輸出的顯示標籤。

6、test_on_batch()

在batch上評估模型。

test_on_batch(x, y, sample_weight=None)

參數：

x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則爲 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則爲 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸爲 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。

標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。屬性 model.metrics_names 將提供標量輸出的顯示標籤。

7、predict_on_batch()

返回batch上的模型預測值。

predict_on_batch(x)

參數：

x: 輸入數據，Numpy 數組或列表（如果模型有多輸入）。

8、fit_generator()

使用 Python 生成器或 Sequence 實例逐批生成的數據，按批次訓練模型。 生成器與模型並行運行，以提高效率。

keras.utils.Sequence 的使用可以保證數據的順序，以及當 use_multiprocessing=True 時，保證每個輸入在每個 epoch 只使用一次。
例如，這可以讓你在 CPU 上對圖像進行實時數據增強，以在 GPU 上訓練模型。

fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)

參數：

generator: 一個生成器或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重複數據。生成器的輸出應該爲以下之一：
- 一個 (inputs, targets) 元組;
- 一個 (inputs, targets, sample_weights) 元組。這個元組（生成器的單個輸出）表示一個獨立批次。因此，此元組中的所有數組必須具有相同的長度（等於此批次的大小）。不同的批次可能具有不同的大小。例如，如果數據集的大小不能被批量大小整除，則最後一批時期通常小於其他批次。生成器將無限地在數據集上循環。當運行到第 steps_per_epoch 時，記一個 epoch 結束。
steps_per_epoch: 整數。在聲明一個 epoch 完成並開始下一個 epoch 之前從 generator 產生的總步數（批次樣本）。它通常應該等於你的數據集的樣本數量除以批量大小。可選參數 Sequence：如果未指定，將使用 len(generator) 作爲步數。
epochs: 整數，數據的迭代總輪數。一個 epoch 是對所提供的整個數據的一輪迭代，由 steps_per_epoch 所定義。請注意，與 initial_epoch 一起，參數 epochs 應被理解爲「最終輪數」。模型並不是訓練了 epochs 輪，而是到第 epochs 輪停止訓練。
verbose: 日誌顯示模式。0，1 或 2。0 = 安靜模式，1 = 進度條，2 = 每輪一行。
callbacks: keras.callbacks.Callback 實例列表。在訓練時調用的一系列回調。詳見 callbacks。
validation_data: 它可以是以下之一：
驗證數據的生成器或 Sequence 實例
一個 (inputs, targets) 元組
一個 (inputs, targets, sample_weights) 元組。
validation_steps: 僅當 validation_data 是一個生成器時纔可用。每個 epoch 結束時驗證集生成器產生的步數。它通常應該等於你的數據集的樣本數量除以批量大小。可選參數 Sequence：如果未指定，將使用 len(generator) 作爲步數。
class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型「更多關注」來自代表性不足的類的樣本。
max_queue_size: 整數。生成器隊列的最大尺寸。如果未指定，max_queue_size 將默認爲 10。
workers: 整數。使用基於進程的多線程時啓動的最大進程數。如果未指定，worker 將默認爲 1。如果爲 0，將在主線程上執行生成器。
use_multiprocessing: 如果 True，則使用基於進程的多線程。如果未指定，use_multiprocessing 將默認爲 False。請注意，因爲此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因爲它們不能被輕易地傳遞給子進程。
shuffle: 布爾值。是否在每輪迭代之前打亂 batch 的順序。只能與 Sequence (keras.utils.Sequence) 實例同用。在 steps_per_epoch 不爲 None 是無效果。
initial_epoch: 整數。開始訓練的輪次（有助於恢復之前的訓練）。

示例：

def generate_arrays_from_file(path):
    while True:
        with open(path) as f:
            for line in f:
                # 從文件中的每一行生成輸入數據和標籤的 numpy 數組
                x1, x2, y = process_line(line)
                    yield ({'input1':x1, 'input2':x2}, {'output':y})
                    
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
                    steps_per_epoch=10000, epochs=10)

9、evaluate_generator

在數據生成器上評估模型。這個生成器應該返回與 test_on_batch 所接收的同樣的數據。

evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

參數：

generator: 返回批量輸入樣本的生成器，或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重複數據。
steps: 在停止之前，來自 generator 的總步數 (樣本批次)。可選參數 Sequence：如果未指定，將使用 len(generator) 作爲步數。
max_queue_size: 生成器隊列的最大尺寸。
workers: 整數。使用基於進程的多線程時啓動的最大進程數。如果未指定，worker 將默認爲 1。如果爲 0，將在主線程上執行生成器。
use_multiprocessing: 如果 True，則使用基於進程的多線程。請注意，因爲此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因爲它們不能被輕易地傳遞給子進程。
verbose: 日誌顯示模式， 0 或 1。

標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。屬性 model.metrics_names 將提供標量輸出的顯示標籤。

10、predict_generator

爲來自數據生成器的輸入樣本生成預測，預測值的 Numpy 數組。這個生成器應該返回與 predict_on_batch 所接收的同樣的數據。

predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

參數：

generator: 返回批量輸入樣本的生成器，或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重複數據。
steps: 在停止之前，來自 generator 的總步數 (樣本批次)。可選參數 Sequence：如果未指定，將使用 len(generator) 作爲步數。
max_queue_size: 生成器隊列的最大尺寸。
workers: 整數。使用基於進程的多線程時啓動的最大進程數。如果未指定，worker 將默認爲 1。如果爲 0，將在主線程上執行生成器。
use_multiprocessing: 如果 True，則使用基於進程的多線程。請注意，因爲此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因爲它們不能被輕易地傳遞給子進程。
verbose: 日誌顯示模式， 0 或 1。

11、get_layer()

根據名稱（唯一）或索引值查找網絡層。 索引是基於水平圖遍歷的順序（自下而上）。

get_layer(name=None, index=None)

參數

name: 字符串，層的名字。
index: 整數，層的索引。
注意：如果同時提供了 name 和 index，則 index 將優先。

返回：一個層實例。

三、Model 類（函數式 API）

1、概述

官方文檔：函數式 API

在函數式 API 中，給定一些輸入張量和輸出張量，可以通過以下方式實例化一個 Model：

示例1：這個模型將包含從 a 到 b 的計算的所有網絡層。

from keras.models import Model
from keras.layers import Input, Dense

a = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)

示例2：在多輸入或多輸出模型的情況下，可以使用列表。

model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])

2、Model 類模型方法

具體參數見上一節中的各函數的參數或官方文檔

（1）配置訓練模型

compile：配置訓練模型

定義：compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

（2）模型訓練、評估、預測

fit：以給定數量的輪次（數據集上的迭代）訓練模型。
- 定義：fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)
evaluate：在測試模式下返回模型的誤差值和評估標準值。
- 定義：evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
predict：爲輸入樣本生成輸出預測。
- 定義：predict(x, batch_size=None, verbose=0, steps=None)

（3）batch上的模型訓練、評估、預測

train_on_batch：batch上的單次梯度更新。
- 定義：train_on_batch(x, y, sample_weight=None, class_weight=None)
test_on_batch：batch上測試模型。
- 定義：test_on_batch(x, y, sample_weight=None)
predict_on_batch：返回batch上的模型預測值
- 定義：predict_on_batch(x)

（4）生成器上的訓練、評估、預測

fit_generator
- 目的：使用 Python 生成器（或 Sequence 實例）逐批生成的數據，按批次訓練模型。
- 定義：fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
evaluate_generator：在數據生成器上評估模型。
- 定義：evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
predict_generator：爲來自數據生成器的輸入樣本生成預測。
- 定義：predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

（5）獲取某網絡層

get_layer：根據名稱（唯一）或索引值查找網絡層，返回一個層實例。

定義：get_layer(self, name=None, index=None)
參數：
- name: 字符串，層的名字。
- index: 整數，層的索引。索引值來自於水平圖遍歷的順序（自下而上）。
注意：如果同時提供了 name 和 index，則 index 將優先。

【Keras】學習筆記（二）

文章目錄

一、Keras 模型

1、共同的方法和屬性

2、Model 類繼承

二、Sequential 模型 API

1、compile()：配置訓練模型

2、fit()：訓練模型

3、evaluate()：模型評估

4、predict()：預測

5、train_on_batch()

6、test_on_batch()

7、predict_on_batch()

8、fit_generator()

9、evaluate_generator

10、predict_generator

11、get_layer()

三、Model 類（函數式 API）

1、概述

2、Model 類模型方法

（1）配置訓練模型

（2）模型訓練、評估、預測

（3）batch上的模型訓練、評估、預測

（4）生成器上的訓練、評估、預測

（5）獲取某網絡層

.Net 8.0 下的新RPC，IceRPC之試試的新玩法"打洞"

完美替代postman的軟件

Vue mockjs mock.js

關於遊戲付費的一點想法

我通過CKA和CKS啦！

安裝chromadb注意事項

《最新出爐》系列入門篇-Python+Playwright自動化測試-42-強大的可視化追蹤利器Trace Viewer

大數據怎麼學？對大數據開發領域及崗位的詳細解讀，完整理解大數據開發領域技術體系

【Keras】學習筆記（一）

典型分類器評價指標及實例

【論文】Legal Judgment Prediction via Topological Learning

【Paper】Few-Shot Charge Prediction with Discriminative Legal Attributes

【Paper】Learning to Predict Charges for Criminal Cases with Legal Basis

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結