快捷導(dǎo)航

Keras中的兩種模型:Sequential和Model用法

更新時(shí)間：2020年06月27日 10:28:37 作者：__Watson__

這篇文章主要介紹了Keras中的兩種模型:Sequential和Model用法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

在Keras中有兩種深度學(xué)習(xí)的模型：序列模型（Sequential）和通用模型（Model）。差異在于不同的拓?fù)浣Y(jié)構(gòu)。

序列模型 Sequential

序列模型各層之間是依次順序的線性關(guān)系，模型結(jié)構(gòu)通過(guò)一個(gè)列表來(lái)制定。

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)

或者逐層添加網(wǎng)絡(luò)結(jié)構(gòu)

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

通用模型可以設(shè)計(jì)非常復(fù)雜、任意拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，例如有向無(wú)環(huán)網(wǎng)絡(luò)、共享層網(wǎng)絡(luò)等。相比于序列模型只能依次線性逐層添加，通用模型能夠比較靈活地構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)定各層級(jí)的關(guān)系。

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

# 定義輸入層，確定輸入維度
input = input(shape = (784, ))
# 2個(gè)隱含層，每個(gè)都有64個(gè)神經(jīng)元，使用relu激活函數(shù)，且由上一層作為參數(shù)
x = Dense(64, activation='relu')(input)
x = Dense(64, activation='relu')(x)
# 輸出層
y = Dense(10, activation='softmax')(x)
# 定義模型，指定輸入輸出
model = Model(input=input, output=y)
# 編譯模型，指定優(yōu)化器，損失函數(shù)，度量
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
# 模型擬合，即訓(xùn)練
model.fit(data, labels)

補(bǔ)充知識(shí)：keras神經(jīng)網(wǎng)絡(luò)，Sequential序貫?zāi)Ｐ停ǘ诸?lèi)、多分類(lèi)）

1 Sequential參數(shù)

model = Sequential() model.add(Dense(32, input_dim=78))

解釋?zhuān)?/p>

Sequential 的第一個(gè)關(guān)于輸入數(shù)據(jù)shape的參數(shù)，后邊的各個(gè)層則可以自動(dòng)推到出中間數(shù)據(jù)的shape

01 傳遞一個(gè)input_shape的關(guān)鍵字參數(shù)給第一層，如果填入None則表示此位置可能是任何正整數(shù)。數(shù)據(jù)的batch大小不應(yīng)包含在其中。

02 有些2D層，如Dense，支持通過(guò)指定其輸入維度input_dim來(lái)隱含的指定輸入數(shù)據(jù)shape,是一個(gè)Int類(lèi)型的數(shù)據(jù)。一些3D的時(shí)域?qū)又С滞ㄟ^(guò)參數(shù)input_dim和input_length來(lái)指定輸入shape。

03 如果你需要為輸入指定一個(gè)固定大小的batch_size（常用于stateful RNN網(wǎng)絡(luò)），可以傳遞batch_size參數(shù)到一個(gè)層中，例如你想指定輸入張量的batch大小是32，數(shù)據(jù)shape是（6，8），則你需要傳遞batch_size=32和input_shape=(6,8)。

2、compile配置學(xué)習(xí)過(guò)程

model.compile(optimizer='rmspropy',loss='categorical_crossentropy',metrics=['accuracy'])

01 優(yōu)化器optimizer：

該參數(shù)可指定為已預(yù)定義的優(yōu)化器名，如rmsprop、adagrad，或一個(gè)Optimizer類(lèi)的對(duì)象。

02 損失函數(shù)loss：

該參數(shù)為模型試圖最小化的目標(biāo)函數(shù)，它可為預(yù)定義的損失函數(shù)名，如categorical_crossentropy、mse，也可以為一個(gè)損失函數(shù)。

03 指標(biāo)列表metrics：

對(duì)分類(lèi)問(wèn)題，我們一般將該列表設(shè)置為metrics=['accuracy']。指標(biāo)可以是一個(gè)預(yù)定義指標(biāo)的名字,也可以是一個(gè)用戶定制的函數(shù).指標(biāo)函數(shù)應(yīng)該返回單個(gè)張量,或一個(gè)完成metric_name - > metric_value映射的字典.

3、案例

01 基于多層感知器Softmax多分類(lèi)（圖片）

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', # 損失函數(shù)
    optimizer=sgd, # 
    metrics=['accuracy'] # 精確度，評(píng)估模型在訓(xùn)練和測(cè)試時(shí)的網(wǎng)絡(luò)性能的指標(biāo)。
    ) 
 
model.fit(x_train,y_train,epochs=20,batch_size=128) 
 
# batch_size 整數(shù)，指定進(jìn)行梯度下降時(shí)每個(gè)批次包含的樣本數(shù)訓(xùn)練時(shí)一個(gè)批次的樣本
# 會(huì)被計(jì)算一次梯度下降，使目標(biāo)函數(shù)進(jìn)行一步優(yōu)化
# epochs；訓(xùn)練20次，整數(shù)，訓(xùn)練終止時(shí)候的epoch值
score=model.evaluate(x_test,y_test,batch_size=128)
 
# 評(píng)估函數(shù) ，本函數(shù)返回一個(gè)測(cè)試誤差的標(biāo)量值（如果模型沒(méi)有其他評(píng)價(jià)指標(biāo)）。

02 MLP的二分類(lèi)

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)

相關(guān)詳細(xì)說(shuō)明見(jiàn)官方文檔：https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

以上這篇Keras中的兩種模型:Sequential和Model用法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: