Keras中的两种模型:Sequential和Model用法

时间:2021-05-22

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。

from keras.models import Sequentialfrom keras.layers import Dense, Activationlayers = [Dense(32, input_shape = (784,)), Activation('relu'), Dense(10), Activation('softmax')]model = Sequential(layers)

或者逐层添加网络结构

from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = 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。

from keras.layers import Input, Densefrom 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)

from keras.models import Sequentialfrom keras.layers import Dense,Dropout,Activationfrom keras.optimizers import SGDimport keras #abd # Generate dummy dataimport 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

import numpy as npfrom keras.models import Sequentialfrom 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。

声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

相关文章