Keras 3 示例：开启深度学习之旅

🕗 发布于 2024-11-07 00:31 深度学习 keras 人工智能

Keras 3 示例：开启深度学习之旅

一、Keras 3 简介

Keras 3是一个强大的深度学习框架，它为开发者提供了简洁、高效的方式来构建和训练神经网络。它在之前版本的基础上进行了改进和优化，具有更好的性能、兼容性和功能扩展性。无论是初学者还是经验丰富的研究人员，都可以利用 Keras 3快速实现自己的深度学习想法。

二、环境搭建与安装示例

（一）安装 Keras 3

首先，确保已经安装了合适版本的 Python（建议使用 Python 3.7 及以上版本）。然后，可以使用以下命令安装 Keras 3：

pip install keras

如果要在特定的虚拟环境中安装，可以先激活虚拟环境，再执行上述安装命令。

（二）安装相关依赖

Keras 3通常依赖于后端计算引擎，如 TensorFlow。如果还未安装 TensorFlow，可以使用以下命令安装：

pip install tensorflow

这样就完成了基本的环境搭建，可以开始使用 Keras 3进行开发。

三、图像分类示例

（一）使用 MNIST 数据集

数据加载

from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

这简单的几行代码就可以加载著名的 MNIST 手写数字数据集，其中 x_train 和 x_test 分别是训练集和测试集的图像数据，y_train 和 y_test 是对应的标签。
2. 数据预处理

x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0

from keras.utils import to_categorical
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

这里将图像数据重塑为合适的形状，并进行归一化处理，同时将标签进行 one - hot 编码，以便模型更好地处理。
3. 构建模型

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))

这个简单的卷积神经网络模型先使用卷积层提取特征，然后通过池化层减少数据维度，再将数据展平后连接全连接层，最后输出每个数字类别的概率。
4. 模型编译与训练

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=128, validation_data=(x_test, y_test))

这里指定了优化器为 Adam，损失函数为交叉熵损失，并使用准确率作为评估指标。然后训练模型，指定训练轮数和批次大小，并在测试集上进行验证。
5. 模型评估

loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test loss: {loss}, Test accuracy: {accuracy}")

这可以得到模型在测试集上的损失和准确率，评估模型的性能。

（二）使用 CIFAR - 10 数据集

数据加载与预处理

from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

加载 CIFAR - 10 图像数据集，并进行类似的归一化和标签编码操作。
2. 构建更复杂的模型

model = Sequential()
model.add(Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=(32, 32, 3)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), padding='same', activation='relu'))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dense(10, activation='softmax'))

这个模型在 CIFAR - 10 数据集上构建了一个更深的卷积神经网络，包含更多的卷积层和池化层，以提取更复杂的图像特征。
3. 编译、训练和评估

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test))
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test loss: {loss}, Test accuracy: {accuracy}")

同样地，编译模型、进行训练并评估其在测试集上的性能。

四、目标检测示例

（一）简单目标检测模型框架

数据准备（模拟数据生成）

import numpy as np
# 模拟生成一些简单的图像数据和目标框数据
num_images = 100
image_width, image_height = 64, 64
num_objects_per_image = 2
images = np.random.rand(num_images, image_width, image_height, 3).astype('float32')
boxes = []
for i in range(num_images):
    image_boxes = []
    for j in range(num_objects_per_image):
        x1, y1 = np.random.randint(0, image_width - 10), np.random.randint(0, image_height - 10)
        x2, y2 = x1 + np.random.randint(5, 10), y1 + np.random.randint(5, 10)
        class_id = np.random.randint(0, 5)  # 假设 5 种目标类别
        image_boxes.append([x1, y1, x2, y2, class_id])
    boxes.append(np.array(image_boxes))
boxes = np.array(boxes)

这里模拟生成了一些简单的图像和目标框数据，用于示例目的。在实际应用中，可以使用真实的目标检测数据集。
2. 模型构建（基于卷积神经网络）

from keras.models import Model
from keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense

image_input = Input(shape=(image_width, image_height, 3))
x = Conv2D(32, (3, 3), activation='relu')(image_input)
x = MaxPooling2D((2, 2))(x)
x = Conv2D(64, (3, 3), activation='relu')(x)
x = MaxPooling2D((2, 2))(x)
x = Flatten()(x)
box_output = Dense(5 * (4 + 1))(x)  # 假设每个目标用 (x1,y1,x2,y2,class_id) 表示，5 种目标类别
model = Model(image_input, box_output)

这个模型基于卷积神经网络，接受图像输入，最后输出目标框的预测信息。
3. 模型编译与训练（简单示例）

model.compile(optimizer='adam', loss='mse')  # 使用均方误差作为损失函数，这里只是简单示例
model.fit(images, boxes, epochs=5, batch_size=8)

编译模型并使用模拟数据进行简单的训练，在实际应用中，需要更复杂的损失函数和训练策略。

（二）使用预训练模型进行目标检测（以 YOLO 风格为例）

加载预训练模型（假设已经有预训练权重）

from keras.models import load_model
pretrained_model = load_model('pretrained_yolo_style_model.h5')

这里假设已经有一个预训练的类似 YOLO 风格的目标检测模型的权重文件。
2. 数据预处理（与预训练模型匹配）

# 假设需要将输入图像调整到模型所需的特定尺寸，并进行归一化等操作
test_image = np.random.rand(1, 416, 416, 3).astype('float32')  # 以 416x416 为例，实际根据模型调整
test_image = test_image / 255.0

根据预训练模型的要求对输入图像进行预处理。
3. 目标检测推理

detections = pretrained_model.predict(test_image)
# 对检测结果进行后处理，例如解析出目标框、类别和置信度等信息
# 这里省略具体的后处理代码，不同的模型有不同的后处理方式

使用预训练模型对输入图像进行目标检测推理，并得到检测结果，然后需要进行后处理来得到有意义的目标信息。

五、自然语言处理示例

（一）文本分类（使用 IMDB 影评数据集）

数据加载与预处理

from keras.datasets import imdb
from keras.preprocessing.sequence import pad_sequences
vocab_size = 10000
max_length = 200
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=vocab_size)
x_train = pad_sequences(x_train, maxlen=max_length)
x_test = pad_sequences(x_test, maxlen=max_length)

加载 IMDB 影评数据集，并将文本数据转换为固定长度的序列，只保留最常见的 vocab_size 个单词。
2. 构建模型（基于循环神经网络）

from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense

model = Sequential()
model.add(Embedding(vocab_size, 128, input_length=max_length))
model.add(LSTM(64))
model.add(Dense(1, activation='sigmoid'))

这个模型先使用嵌入层将单词索引转换为向量，然后使用 LSTM 层处理序列信息，最后通过一个全连接层输出文本属于正面或负面评价的概率。
3. 模型编译、训练与评估

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=128, validation_data=(x_test, y_test))
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test loss: {loss}, Test accuracy: {accuracy}")

编译模型，使用二元交叉熵损失函数进行训练，并评估模型在测试集上的性能。

（二）文本生成（基于字符级 RNN）

数据准备（以一段文本为例）

text = "This is a sample text for text generation example. We will use this text to train a character - level RNN."
# 创建字符到索引和索引到字符的映射
chars = sorted(list(set(text)))
char_to_idx = {char: idx for idx, char in enumerate(chars)}
idx_to_char = {idx: char for char, idx in char_to_idx.items()}
# 将文本转换为序列
maxlen = 40
step = 3
sentences = []
next_chars = []
for i in range(0, len(text) - maxlen, step):
    sentences.append(text[i : i + maxlen])
    next_chars.append(text[i + maxlen])
x = np.zeros((len(sentences), maxlen, len(chars)), dtype=np.bool)
y = np.zeros((len(sentences), len(chars)), dtype=np.bool)
for i, sentence in enumerate(sentences):
    for t, char in enumerate(sentence):
        x[i, t, char_to_idx[char]] = True
    y[i, char_to_idx[next_chars[i]]] = True

这里准备了一段文本，创建了字符映射，并将文本转换为模型可接受的输入和输出格式，用于字符级的文本生成。
2. 构建模型（简单的 RNN）

from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(128, input_shape=(maxlen, len(chars))))
model.add(Dense(len(chars), activation='softmax'))

构建一个简单的 LSTM 模型，接受字符序列作为输入，输出下一个字符的概率分布。
3. 模型编译与训练

model.compile(optimizer='adam', loss='categorical_crossentropy')
model.fit(x, y, epochs=20, batch_size=128)

编译模型并进行训练，训练完成后可以使用模型进行文本生成。
4. 文本生成

import random
start_index = random.randint(0, len(text) - maxlen - 1)
generated_text = text[start_index : start_index + maxlen]
for i in range(400):
    x_pred = np.zeros((1, maxlen, len(chars)))
    for t, char in enumerate(generated_text):
        x_pred[0, t, char_to_idx[char]] = True
    preds = model.predict(x_pred)[0]
    next_char_idx = np.random.choice(len(chars), p=preds)
    next_char = idx_to_char[next_char_idx]
    generated_text += next_char
    generated_text = generated_text[1:]
print(generated_text)

从文本中随机选择一个起始点，然后根据模型预测的概率逐个生成字符，得到新的文本。

六、序列到序列学习示例（机器翻译）

（一）数据准备（模拟英法翻译数据）

# 模拟一些简单的英法单词对
data = [
    ('hello', 'bonjour'),
    ('world', 'monde'),
    ('how are you', 'comment allez - vous'),
    ('I am fine', 'je vais bien'),
    ('thank you', 'merci')
]
# 构建源语言和目标语言的词汇表
source_vocab = sorted(list(set([word for word, _ in data])))
target_vocab = sorted(list(set([word for _, word in data])))
source_to_idx = {word: idx for idx, word in enumerate(source_vocab)}
target_to_idx = {word: idx for idx, word in enumerate(target_vocab)}
# 将单词对转换为索引序列
max_source_length = max([len(word) for word, _ in data])
max_target_length = max([len(word) for _, word in data])
source_sequences = np.zeros((len(data), max_source_length), dtype='int32')
target_sequences = np.zeros((len(data), max_target_length), dtype='int32')
for i, (source_word, target_word) in enumerate(data):
    for j, char in enumerate(source_word):
        source_sequences[i, j] = source_to_idx[char]
    for j, char in enumerate(target_word):
        target_sequences[i, j] = target_to_idx[char]

这里模拟了一些简单的英法单词对，并构建了词汇表和将单词对转换为索引序列，用于序列到序列学习的示例。在实际应用中，可以使用大规模的翻译数据集。

（二）构建序列到序列模型

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

# 编码器
encoder_inputs = Input(shape=(max_source_length,))
encoder_embedding = Embedding(len(source_vocab), 64)(encoder_inputs)
encoder_lstm = LSTM(64, return_state=True)
encoder_outputs, state_h, state_c = encoder_lstm(encoder_embedding)
encoder_states = [state_h, state_c]

# 解码器
decoder_inputs = Input(shape=(max_target_length,))
decoder_embedding = Embedding(len(target_vocab), 64)
decoder_embedding_layer = decoder_embedding(decoder_inputs)
decoder_lstm = LSTM(64, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_embedding_layer, initial_state=encoder_states)
decoder_dense = Dense(len(target_vocab), activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs)

# 构建模型
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

这个序列到序列模型包括编码器和解码器。编码器将源语言序列编码为状态，解码器使用这些状态和目标语言的输入序列来生成翻译结果。

（三）模型编译与训练

model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy')
model.fit([source_sequences, target_sequences[:, :-1]], target_sequences[:, 1:],
          epochs=100, batch_size=1)

编译模型：我们使用rmsprop优化器来调整模型的权重，以最小化损失函数。
训练模型：通过多次迭代训练，模型会逐渐学习到源语言和目标语言之间的映射关系，从而提高翻译的准确性。在实际应用中，对于大规模的机器翻译任务，我们需要使用更丰富的数据集、更复杂的模型结构和更合适的训练策略来获得更好的翻译效果

七、以下是一些 Keras 3 的其他示例：

（一）、图像生成（使用生成对抗网络 - GAN）

生成器模型构建

from keras.models import Sequential
from keras.layers import Dense, Reshape, Conv2DTranspose, BatchNormalization, LeakyReLU

generator = Sequential()
generator.add(Dense(256 * 4 * 4, input_dim=100))
generator.add(Reshape((4, 4, 256)))
generator.add(Conv2DTranspose(128, (4, 4), strides=(2, 2), padding='same'))
generator.add(BatchNormalization())
generator.add(LeakyReLU(alpha=0.2))
generator.add(Conv2DTranspose(64, (4, 4), strides=(2, 2), padding='same'))
generator.add(BatchNormalization())
generator.add(LeakyReLU(alpha=0.2))
generator.add(Conv2DTranspose(3, (4, 4), strides=(2, 2), padding='same', activation='tanh'))

这里构建了一个生成器模型，它接受一个 100 维的随机噪声向量作为输入，并通过一系列的全连接层、转置卷积层、批归一化层和激活函数，逐步将其转换为一个 64x64x3 的图像（假设生成图像的尺寸为 64x64，3 通道表示 RGB）。

判别器模型构建

from keras.models import Sequential
from keras.layers import Conv2D, Flatten, Dense, LeakyReLU

discriminator = Sequential()
discriminator.add(Conv2D(64, (4, 4), strides=(2, 2), padding='same', input_shape=(64, 64, 3)))
discriminator.add(LeakyReLU(alpha=0.2))
discriminator.add(Conv2D(128, (4, 4), strides=(2, 2), padding='same'))
discriminator.add(LeakyReLU(alpha=0.2))
discriminator.add(Conv2D(256, (4, 4), strides=(2, 2), padding='same'))
discriminator.add(LeakyReLU(alpha=0.2))
discriminator.add(Flatten())
discriminator.add(Dense(1, activation='sigmoid'))

判别器模型用于区分输入的图像是真实图像还是由生成器生成的假图像。它通过一系列的卷积层和激活函数来提取图像特征，最后通过一个全连接层输出一个概率值，表示输入图像为真实图像的可能性。

组合 GAN 模型并训练

from keras.models import Model
import numpy as np

# 组合生成器和判别器
discriminator.trainable = False
gan_input = Input(shape=(100,))
generated_image = generator(gan_input)
gan_output = discriminator(generated_image)
gan = Model(gan_input, gan_output)

# 编译 GAN 模型和判别器模型
gan.compile(loss='binary_crossentropy', optimizer='adam')
discriminator.compile(loss='binary_crossentropy', optimizer='adam')

# 训练数据（这里假设已经有真实图像数据 real_images）
batch_size = 32
for epoch in range(100):
    # 训练判别器
    noise = np.random.normal(0, 1, (batch_size, 100))
    generated_images = generator.predict(noise)
    real_labels = np.ones((batch_size, 1))
    fake_labels = np.zeros((batch_size, 1))
    d_loss_real = discriminator.train_on_batch(real_images[:batch_size], real_labels)
    d_loss_fake = discriminator.train_on_batch(generated_images, fake_labels)
    d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

    # 训练 GAN（即训练生成器）
    noise = np.random.normal(0, 1, (batch_size, 100))
    g_loss = gan.train_on_batch(noise, np.ones((batch_size, 1)))

首先，我们将生成器和判别器组合成一个 GAN 模型。在训练过程中，先固定判别器的权重，训练生成器，然后再训练判别器。通过多次迭代，生成器逐渐学会生成更逼真的图像，以欺骗判别器。

（二）音频分类（使用 librosa 库加载音频数据）

数据加载与预处理

import librosa
import numpy as np

# 加载音频文件
audio_path = 'example_audio.wav'
audio_data, sample_rate = librosa.load(audio_path)

# 提取音频特征（这里使用梅尔频谱特征）
mel_spectrogram = librosa.feature.melspectrogram(y=audio_data, sr=sample_rate)
mel_spectrogram = librosa.power_to_db(mel_spectrogram)

# 对特征进行归一化处理
mel_spectrogram = (mel_spectrogram - np.min(mel_spectrogram)) / (np.max(mel_spectrogram) - np.min(mel_spectrogram))

# 假设我们有多个音频文件，将它们的特征存储在一个列表中
audio_features = []
audio_labels = []  # 对应的音频标签
# 这里省略了加载多个音频文件和标签的循环

audio_features = np.array(audio_features)
audio_labels = np.array(audio_labels)

这里使用librosa库加载音频文件，并提取梅尔频谱特征。然后对特征进行归一化处理，以便于模型训练。在实际应用中，我们会处理多个音频文件，并将它们的特征和标签整理成合适的格式。

构建模型

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=mel_spectrogram.shape))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))  # num_classes 是音频类别数

构建一个基于卷积神经网络的音频分类模型。模型通过卷积层和池化层提取音频特征中的局部模式，然后通过全连接层进行分类。

模型编译与训练

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(audio_features, audio_labels, epochs=10, batch_size=32)

编译模型，指定优化器、损失函数和评估指标。然后使用音频特征和标签数据训练模型，经过多次训练轮数，模型可以学习到音频特征与类别之间的关系，从而实现对新音频的分类。

（三）时间序列预测（使用股票价格数据）

数据加载与预处理（假设已经有股票价格数据）

import pandas as pd
import numpy as np

# 加载股票价格数据（这里假设是一个 CSV 文件，包含日期和价格列）
stock_data = pd.read_csv('stock_prices.csv')
prices = stock_data['price'].values

# 对数据进行归一化处理
prices = (prices - np.min(prices)) / (np.max(prices) - np.min(prices))

# 构建时间序列数据
time_steps = 10  # 使用过去 10 个时间步的数据来预测下一个时间步的价格
X = []
y = []
for i in range(len(prices) - time_steps):
    X.append(prices[i : i + time_steps])
    y.append(prices[i + time_steps])
X = np.array(X).reshape(-1, time_steps, 1)
y = np.array(y)

这里加载股票价格数据，并对价格数据进行归一化处理。然后通过构建时间序列数据，将连续的time_steps个价格数据作为输入特征X，下一个时间步的价格作为目标y。

构建模型（使用长短期记忆网络 - LSTM）

from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(64, input_shape=(time_steps, 1)))
model.add(Dense(1))

构建一个基于 LSTM 的时间序列预测模型。LSTM 层能够处理时间序列数据中的长期依赖关系，模型最后输出一个预测的价格值。

模型编译与训练

model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=50, batch_size=32)

编译模型，使用均方误差（MSE）作为损失函数，因为这是一个回归问题。然后使用构建好的时间序列数据进行训练，经过多次训练轮数，模型可以学习到股票价格的时间序列模式，用于预测未来价格。

这些示例展示了 Keras 3 在不同领域的应用，包括图像生成、音频分类和时间序列预测等，希望能帮助你更好地理解和使用 Keras 3。

原文地址：https://blog.csdn.net/zheng_ruiguo/article/details/143455279

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：【Windows】Android Studio 上cmd 换为Powershell 终端
下一篇：《深入浅出HTTPS》读书笔记（3）：HTTP本身的安全问题

使用docker安装RocketMQ
v /docker/rocketmq/data/namesrv/logs:/root/logs | 把容器内的/root/logs日志目录挂载到宿主机的 /docker/rocketmq/data/n
阅读更多2024-12-02
Y20030025基于php+mysql的幼儿健康管理系统设计与实现源代码配置文档
在信息化时代的浪潮中，幼儿健康管理面临着前所未有的挑战与机遇。为了更好地满足家长和幼儿园对幼儿健康管理的需求，我们致力于开发一套基于PHP的幼儿健康管理系统。这一系统的开发，旨在通过技术手段提升幼儿健
阅读更多2024-12-02
Github 2024-12-01 开源项目月报 Top20
根据Github Trendings的统计，本月(2024-12-01统计)共有20个项目上榜。
阅读更多2024-12-02
Redis中常见的延迟问题
使用复杂度高的命令，执行命令时就会耗时存储大key：如果一个key写入的数据非常大，Redis在分配内存、删除大key时都会耗时，并且持久化AOF的写回策略是always时会影响Redis性能集中过期
阅读更多2024-12-02
C#VB.NET开发整体一键国际化显示
-------------------------------项目启动根据设置的语言加载对应语言内容进行显示。---------------------------翻译完毕后多语言系统进行语言编译生成
阅读更多2024-12-02
数据结构-简单排序
【代码】数据结构-简单排序。
阅读更多2024-12-02
亚马逊IP关联是什么？
亚马逊IP关联是指在亚马逊平台上使用的IP地址或IP地址段被认定为相关联，可能导致一些特定的限制或操作问题。这种关联通常是由于多个账户或操作在同一IP地址下进行，或者存在多个操作被认为有关联的迹象，可
阅读更多2024-12-02
前端入门指南：模块打包器是什么？模块打包器的工作原理与实践
在前端开发的生态系统中，随着项目复杂度和规模的不断提升，代码管理和优化变得至关重要。模块化开发作为一种有效的代码组织方式，极大地提升了代码的可维护性和复用性。然而，面对大量的模块和复杂的依赖关系，如何
阅读更多2024-12-02
vue3项目中使用星火API
通过阅读文档可知我们需要返回给api接口的数据需要authorization，然后对话内容需要设置message设置role为user则content的内容是使用者的提问。在node环境epxress
阅读更多2024-12-02
当你访问一个网站时，数据是怎么传输的呢
电脑访问网站时数据的传输过程是一个涉及多个层次、多种协议以及众多网络设备协同工作的复杂体系。从域名解析开始，到 HTTP 请求构建、各层协议的封装、数据在网络中的传输，再到服务器端的处理和响应返回，每
阅读更多2024-12-02

Keras 3 示例：开启深度学习之旅