在Keras中有两种深度学习的模型:序列模型(Sequential)和通用模型(Model)。差异在于不同的拓扑结构。
序列模型 Sequential
序列模型各层之间是依次顺序的线性关系,模型结构通过一个列表来制定。
1
2
3
4
5
6
7
8
9
|
from keras.models import Sequential from keras.layers import Dense, Activation layers = [Dense( 32 , input_shape = ( 784 ,)), Activation( 'relu' ), Dense( 10 ), Activation( 'softmax' )] model = Sequential(layers) |
或者逐层添加网络结构
1
2
3
4
5
6
7
8
|
from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential() model.add(Dense( 32 , input_shape = ( 784 ,))) model.add(Activation( 'relu' )) model.add(Dense( 10 )) model.add(Activation( 'softmax' )) |
通用模型Model
通用模型可以设计非常复杂、任意拓扑结构的神经网络,例如有向无环网络、共享层网络等。相比于序列模型只能依次线性逐层添加,通用模型能够比较灵活地构造网络结构,设定各层级的关系。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
from keras.layers import Input , Dense from keras.models import Model # 定义输入层,确定输入维度 input = input (shape = ( 784 , )) # 2个隐含层,每个都有64个神经元,使用relu激活函数,且由上一层作为参数 x = Dense( 64 , activation = 'relu' )( input ) x = Dense( 64 , activation = 'relu' )(x) # 输出层 y = Dense( 10 , activation = 'softmax' )(x) # 定义模型,指定输入输出 model = Model( input = input , output = y) # 编译模型,指定优化器,损失函数,度量 model. compile (optimizer = 'rmsprop' , loss = 'categorical_crossentropy' , metrics = [ 'accuracy' ]) # 模型拟合,即训练 model.fit(data, labels) |
补充知识:keras神经网络,Sequential序贯模型(二分类、多分类)
1 Sequential参数
model = Sequential() model.add(Dense(32, input_dim=78))
解释:
Sequential 的第一个关于输入数据shape的参数,后边的各个层则可以自动推到出中间数据的shape
01 传递一个input_shape的关键字参数给第一层,如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。
02 有些2D层,如Dense,支持通过指定其输入维度input_dim来隐含的指定输入数据shape,是一个Int类型的数据。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
03 如果你需要为输入指定一个固定大小的batch_size(常用于stateful RNN网络),可以传递batch_size参数到一个层中,例如你想指定输入张量的batch大小是32,数据shape是(6,8),则你需要传递batch_size=32和input_shape=(6,8)。
2、compile配置学习过程
model.compile(optimizer='rmspropy',loss='categorical_crossentropy',metrics=['accuracy'])
01 优化器optimizer:
该参数可指定为已预定义的优化器名,如rmsprop、adagrad,或一个Optimizer类的对象。
02 损失函数loss:
该参数为模型试图最小化的目标函数,它可为预定义的损失函数名,如categorical_crossentropy、mse,也可以为一个损失函数。
03 指标列表metrics:
对分类问题,我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.
3、案例
01 基于多层感知器Softmax多分类(图片)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
from keras.models import Sequential from keras.layers import Dense,Dropout,Activation from keras.optimizers import SGD import keras #abd # Generate dummy data import numpy as np x_train = np.random.random(( 1000 , 20 )) y_train = keras.utils.to_categorical(np.random.randint( 10 ,size = ( 1000 , 1 )),num_classes = 10 ) x_test = np.random.random(( 100 , 20 )) y_test = keras.utils.to_categorical(np.random.randint( 10 ,size = ( 100 , 1 )),num_classes = 10 ) model = Sequential() # Dense(64) is a fully-connected Layer with 64 hidden units. # in the first layer ,you must specify the expected input data shape; # here,20-dimensional vectors. model.add(Dense( 64 ,activation = 'relu' ,input_dim = 20 )) model.add(Dropout( 0.5 )) model.add(Dense( 64 ,activation = 'relu' )) model.add(Dropout( 0.5 )) model.add(Dense( 10 ,activation = 'softmax' )) sgd = SGD(lr = 0.01 ,decay = 1e - 6 ,momentum = 0.9 ,nesterov = True ) model. compile (loss = 'categorical_crossentropy' , # 损失函数 optimizer = sgd, # metrics = [ 'accuracy' ] # 精确度,评估模型在训练和测试时的网络性能的指标。 ) model.fit(x_train,y_train,epochs = 20 ,batch_size = 128 ) # batch_size 整数,指定进行梯度下降时每个批次包含的样本数训练时一个批次的样本 # 会被计算一次梯度下降,使目标函数进行一步优化 # epochs;训练20次,整数,训练终止时候的epoch值 score = model.evaluate(x_test,y_test,batch_size = 128 ) # 评估函数 ,本函数返回一个测试误差的标量值(如果模型没有其他评价指标)。 |
02 MLP的二分类
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
import numpy as np from keras.models import Sequential from keras.layers import Dense,Dropout x_train = np.random.random(( 1000 , 20 )) y_train = keras.utils.to_categorical(np.random.randint( 10 ,size = ( 1000 , 1 )),num_classes = 10 ) x_test = np.random.random(( 100 , 20 )) y_test = keras.utils.to_categorical(np.random.randint( 10 ,size = ( 100 , 1 )),num_classes = 10 ) model = Sequential() model.add(Dense( 64 ,input_dim = 20 ,activation = 'relu' )) model.add(Dropout( 0.5 )) model.add(Dense( 64 ,activation = 'relu' )) model.add(Dropout( 0.5 )) model.add(Dense( 1 ,activation = 'sigmoid' )) model. compile (loss = 'binary_crossentropy' , optimizer = 'rmsprop' , metrics = [ 'accuracy' ]) model.fit(x_train,y_train, epoches = 20 , batch_size = 128 ) score = model.evaluate(x_test,y_test,batch_size = 128 ) |
相关详细说明见官方文档:https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/
以上这篇Keras中的两种模型:Sequential和Model用法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/weixin_39916966/article/details/88049179