基于Theano的深度学习(Deep Learning)框架Keras学习随笔-18-Noise Layers
2015-10-25 20:54
447 查看
本博客来自CSDN:http://blog.csdn.net/niuwei22007/article/details/49406635
本篇介绍的内容主要是给输入数据加入高斯噪声的。高斯噪声是指噪声数据服从高斯分布。一般图像处理都是用高斯噪声过滤器进行过滤,而此处加入噪声是为了防止过拟合现象。
一、GaussianNoise
keras.layers.noise.GaussianNoise(sigma)
将以0为中心,标准差是sigma的高斯噪音数据加到输入数据中。这样是为了减轻过拟合现象,可以理解为给输入加上一个很小的随机数。加入高斯噪声对于真实的输入值来说是很自然的一种处理。只有在训练时才有效。
inputshape: 任意。当把该层作为模型的第一层时,必须使用该参数(是一个整数元组,不包括样本维度)
outputshape: 同input shape一样。
参数:
sigma: float。噪声分布的标准差。
二、GaussianDropout
keras.layers.noise.GaussianDropout(p)
将以1为中心,标准差是sqrt(p/(1-p))的高斯噪音数据乘到输入数据中。p指的是减少比率,同Dropout中的p是一样的。只有在训练时才有效。
inputshape: 任意。当把该层作为模型的第一层时,必须使用该参数(是一个整数元组,不包括样本维度)
outputshape: 同input shape一样。
参数:
p: float。Dropout的减少率。
参考资料:
官方教程相关文章推荐
- 图像识别和图像搜索
- 卷积神经网络
- 深度学习札记
- 图像智能打标签‘神器’-AlchemyVision API
- ubuntu theano 安装成功,windows theano安装失败
- 卷积神经网络知识要点
- 1.linear Regression
- 1.linear Regression
- SURF项目总结 - deepdream
- Theano 模块 基础知识篇
- Deep learning: autoencoders and sparsity
- 开设博客初衷
- deep learning 个人理解及其实现工具
- unbutu12.04 64bit系统 安装theano+cuda5.5,并运行deeplearningtutorial里面的代码
- 从CVPR2013看计算机视觉研究的三个趋势
- DL相关文献整理
- ImageNet Classification with Deep Convolutional Neural Networks 阅读理解及问题
- 一边学,一边写出的人工智能教程(二)
- 一边学,一边写出的人工智能教程(一)