快捷導(dǎo)航

Keras深度學(xué)習(xí)模型Sequential和Model詳解

更新時(shí)間：2023年08月23日 10:53:42 作者：小鋒學(xué)長(zhǎng)生活大爆炸

這篇文章主要介紹了Keras深度學(xué)習(xí)模型Sequential和Model詳解,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),,需要的朋友可以參考下

Keras模型

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)。

Sequential序列模型

序列模型各層之間是依次順序的線(xiàn)性關(guān)系（多個(gè)網(wǎng)絡(luò)層的線(xiàn)性堆疊），模型結(jié)構(gòu)通過(guò)一個(gè)列表來(lái)制定，或者逐層添加網(wǎng)絡(luò)結(jié)構(gòu)。

通過(guò)將網(wǎng)絡(luò)層實(shí)例的列表傳遞給 Sequential 的構(gòu)造器，來(lái)創(chuàng)建一個(gè) Sequential 模型。

# 導(dǎo)入類(lèi)
from keras.models import Sequential
from keras.layers import Dense, Activation

# 構(gòu)建Sequential模型
# Model是keras最核心的數(shù)據(jù)結(jié)構(gòu)
model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

也可以簡(jiǎn)單地使用 .add() 方法將各層添加到模型中

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

指定輸入數(shù)據(jù)的尺寸 在第一層，模型需要知道它所期望的輸入尺寸。

而在后面的層中，模型可以自動(dòng)地推斷尺寸。

方式1：傳遞一個(gè)input_shape參數(shù)給第一層。它是一個(gè)表示尺寸的元組（一個(gè)由整數(shù)或None組成的元組，其中None表示可能為任何正整數(shù)）。在input_shape中不包含數(shù)據(jù)的batch大小。
方式2：某些2D層，如Dense，支持通過(guò)參數(shù)input_dim指定輸入尺寸；某些3D時(shí)序?qū)又С謎nput_dim和input_length參數(shù)。
方式3：如果你需要為你的輸入制定一個(gè)固定大小的batch（對(duì)stateful RNNs很有用），可以傳遞一個(gè)batch_size參數(shù)給一個(gè)層。如果你同時(shí)將batch_size=32和input_shape=(6,8)傳遞給一個(gè)層，那么每一批輸入的尺寸就為(32,6,8)。

因此，如下代碼是等價(jià)的：

model.add(Dense(32, input_shape=(784,))

model.add(Dense(32, input_dim=784))

模型編譯

在訓(xùn)練模型之前，通過(guò) compile 方法配置學(xué)習(xí)過(guò)程，接收的參數(shù)：

優(yōu)化器optimizer：可以是現(xiàn)有優(yōu)化器的字符串標(biāo)識(shí)符（如rmsprop或adagrad），也可以是Optimizer類(lèi)的示例，見(jiàn)optimizers；
損失函數(shù)loss：模型試圖最小化的目標(biāo)函數(shù)。他可以使現(xiàn)有損失函數(shù)的字符串標(biāo)識(shí)符（如categorical_crossentropy或mse），也可以是一個(gè)目標(biāo)函數(shù)，見(jiàn)losses；
評(píng)估標(biāo)準(zhǔn)metrics：對(duì)于任何分類(lèi)問(wèn)題，都希望將其設(shè)置為metrics = ['accuracy']。他可以使現(xiàn)有的字符串標(biāo)識(shí)符，也可以是自定義的評(píng)估標(biāo)準(zhǔn)函數(shù)。

# 分類(lèi)問(wèn)題
model.compile(
    optimizer='rmsprop',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)
# 二分類(lèi)問(wèn)題
model.compile(
    optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['accuracy']
)
# 均方誤差回歸問(wèn)題
model.compile(
    optimizer='rmsprop',
    loss='mse'
)
# 自定義評(píng)估標(biāo)準(zhǔn)函數(shù)
import keras.backend as K
def mean_pred(y_true, y_pred):
    return K.mean(y_pred)
model.compile(
    optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['accuracy', mean_pred]
)

模型訓(xùn)練

在輸入數(shù)據(jù)和標(biāo)簽的Numpy矩陣上進(jìn)行訓(xùn)練。為了訓(xùn)練這一個(gè)模型，通常會(huì)使用 fit 函數(shù)，見(jiàn)文檔

# 對(duì)于具有2個(gè)類(lèi)的單輸入模型（二進(jìn)制分類(lèi)）
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
             loss='binary_crossentropy',
             metrics=['accuracy'])
# 生成虛擬數(shù)據(jù)
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# 訓(xùn)練模型，以32個(gè)樣本為一個(gè)batch進(jìn)行迭代
model.fit(data, labels, epochs=10, batch_size=32)

Epoch 1/10
1000/1000 [==============================] - 0s 105us/step - loss: 0.7028 - accuracy: 0.4980
Epoch 2/10
1000/1000 [==============================] - 0s 32us/step - loss: 0.6932 - accuracy: 0.5380
Epoch 3/10
1000/1000 [==============================] - 0s 34us/step - loss: 0.6862 - accuracy: 0.5510
Epoch 4/10
1000/1000 [==============================] - 0s 34us/step - loss: 0.6842 - accuracy: 0.5580
Epoch 5/10
1000/1000 [==============================] - 0s 31us/step - loss: 0.6834 - accuracy: 0.5570
Epoch 6/10
1000/1000 [==============================] - 0s 34us/step - loss: 0.6799 - accuracy: 0.5720
Epoch 7/10
1000/1000 [==============================] - 0s 34us/step - loss: 0.6760 - accuracy: 0.5860
Epoch 8/10
1000/1000 [==============================] - 0s 37us/step - loss: 0.6742 - accuracy: 0.5920
Epoch 9/10
1000/1000 [==============================] - 0s 35us/step - loss: 0.6702 - accuracy: 0.5810
Epoch 10/10
1000/1000 [==============================] - 0s 36us/step - loss: 0.6686 - accuracy: 0.6050
<keras.callbacks.callbacks.History at 0x1e1c574b888>

Model通用模型

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(xiàn)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)

到此這篇關(guān)于Keras深度學(xué)習(xí)模型Sequential和Model詳解的文章就介紹到這了,更多相關(guān)Keras深度學(xué)習(xí)模型內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: