Keras学习
在进行标签转换的过程中可以使用LabelBinarizer()方法，然后fit_transform就可以直接得到标签的one-hot编码。
- epoch：假设现在有3000张图，1epoch表示迭代了3000张图，batch=100的话，表示同时去训练100张图。在这里1epoch=30batch，也就是30个batch才能把整个数据集遍历一遍。epoch的值表示要对整个数据集遍历多少次。
- 模型H在fit之后，可以使用H.history["loss"]，H.history["val_loss"],H.history["acc"],H.history["val_acc"]来分别获取训练结果的训练损失，验证损失，训练精度，验证精度。
- 观察训练集的loss和测试集的loss，如果差距大，则说明模型过拟合了。
过拟合解决方法：
使用更小的学习率，一般使用上一次学习率的十分之一；以及使用dropout来解决过拟合的情况。
权重参数初始化的方法：
kernel_initializer:权重参数初始化。
bias_initializer:偏置参数初始化。
https://keras.io/api/layers/initializers/
相关信息可以去上面地址查看，推荐使用截断高斯分布。TruncatedNormal
标准差：stddev越小，损失波动越小。
正则化：kernel_regularizer: 对权重参数加上正则化。基本都是用的L2正则化。 惩罚力度越大，曲线就越平稳，惩罚力度越小，就可能出现突变点时间的权重会造成模型的过拟合。
卷积神经网络
conv1D：文本数据，数值数据。表示是一维的（128,5）表示128个卷积核，每个卷积核大小是5.
conv2D：图像数据。
（32，（3,3））：
（3,3）：卷积核大小。
32：表示使用了32个卷积核。
一般情况，卷积层后面接激活函数。
Flatten方法将数据拉长为一维。
一般使用经典参数就可以了。超参数自己设定就可以了，超参数包括（学习率，epoch，batchsize）
Batch Normalization：批量归一化。为了解决梯度消失的问题。
kernel_initializer:使用截断高斯分布来约束权重。
dropout：防止过拟合。
当出现过拟合是先调数据还是先调模型呢？
数据决定了模型的上线，因此，对数据进行讨论是最优方法。
循环神经网络
return_seq=true：会将整个序列的所有的值都返回回去，从而产生（None，49，50）的结果，等于false就只返回最后一个值。 等于true是返回是个序列，等于false时返回最后一个数值。
EarlStopping：可以指定在多少次loss损失都没有下降的情况下，就让模型停止。
文本数据处理
sklearn.feature.extraction.text下的CountVectorizer方法：将文本数据进行提取编号，对应文本数据位置标1，其余位置标0.
指定随机数种子保证，训练数据测试数据集在过程中是确定的。
在使用深度学习模型进行训练时，对CountVectorizer处理后的数据需要使用toarray（）方法再处理一次才可以直接使用。
Word Embedings：使用Tokenizer的fit_on_text方法将文本数据转换为索引形式。使用texts_to_sequences方法处理数据。
pad_sequences：keras工具包下的一个方法，可以对长短不一的文本进行补齐操作。
Embedding：词嵌入，input_dim=文本数据中不重复的词的个数加上1。
参数调节：
步骤：
word2ver：词向量。LSTM和CNN都可以用来做文本。
多标签处理方式（这块了解不多，可以好好看一下）
MultiLabelBinarizer（）：处理多标签情况。
数据增强
图像数据处理首先要保证图片数据大小相同，可以使用image下的ImageDataGenerator下的flow_from_directory方法中的target_size参数来进行设定，一般设定为(224,224)。
图像旋转：
图像平移：
图像缩放：
图像翻转：水平和竖直
rescale：像素点压缩到0到255之间。
变换填充方法：
'constant':kkkkkkk|abcd|kkkkkkk(常数值K填充)
'nearest':aaaaa|abcd|ddddd（首位填充）
"reflect":abcddcba|abcd|dcbaabcd
"wrap":abcdabcd|abcd|abcdabcd
对抗生成网络GAN
迁移学习
- 数据量太少。
- 模型调参。
- 模型训练时间成本。
将别人训练好的模型参数直接拿过来使用。
A. 直接用别人训练好的参数初始化。
B.将别人训练好的模型参数冻结，不做训练。
VGG:
Resnet：残差网络。保证网络架构不会比原来差。
seq2seq
如果词频很低，就可以选择适当剔除。同时也可以设置一个最大词频数，如果超过这个数也就可以不要了。
