Keras深度学习模型Sequential和Model详解

更新时间：2023年08月23日 10:53:42 作者：小锋学长生活大爆炸

这篇文章主要介绍了Keras深度学习模型Sequential和Model详解,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,,需要的朋友可以参考下

Keras模型

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。

Sequential序列模型

序列模型各层之间是依次顺序的线性关系（多个网络层的线性堆叠），模型结构通过一个列表来制定，或者逐层添加网络结构。

通过将网络层实例的列表传递给 Sequential 的构造器，来创建一个 Sequential 模型。

# 导入类
from keras.models import Sequential
from keras.layers import Dense, Activation

# 构建Sequential模型
# Model是keras最核心的数据结构
model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

也可以简单地使用 .add() 方法将各层添加到模型中

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

指定输入数据的尺寸 在第一层，模型需要知道它所期望的输入尺寸。

而在后面的层中，模型可以自动地推断尺寸。

方式1：传递一个input_shape参数给第一层。它是一个表示尺寸的元组（一个由整数或None组成的元组，其中None表示可能为任何正整数）。在input_shape中不包含数据的batch大小。
方式2：某些2D层，如Dense，支持通过参数input_dim指定输入尺寸；某些3D时序层支持input_dim和input_length参数。
方式3：如果你需要为你的输入制定一个固定大小的batch（对stateful RNNs很有用），可以传递一个batch_size参数给一个层。如果你同时将batch_size=32和input_shape=(6,8)传递给一个层，那么每一批输入的尺寸就为(32,6,8)。

因此，如下代码是等价的：

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

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

模型编译

在训练模型之前，通过 compile 方法配置学习过程，接收的参数：

优化器optimizer：可以是现有优化器的字符串标识符（如rmsprop或adagrad），也可以是Optimizer类的示例，见optimizers；
损失函数loss：模型试图最小化的目标函数。他可以使现有损失函数的字符串标识符（如categorical_crossentropy或mse），也可以是一个目标函数，见losses；
评估标准metrics：对于任何分类问题，都希望将其设置为metrics = ['accuracy']。他可以使现有的字符串标识符，也可以是自定义的评估标准函数。

# 分类问题
model.compile(
    optimizer='rmsprop',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)
# 二分类问题
model.compile(
    optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['accuracy']
)
# 均方误差回归问题
model.compile(
    optimizer='rmsprop',
    loss='mse'
)
# 自定义评估标准函数
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]
)

模型训练

在输入数据和标签的Numpy矩阵上进行训练。为了训练这一个模型，通常会使用 fit 函数，见文档

# 对于具有2个类的单输入模型（二进制分类）
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'])
# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# 训练模型，以32个样本为一个batch进行迭代
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, 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)

到此这篇关于Keras深度学习模型Sequential和Model详解的文章就介绍到这了,更多相关Keras深度学习模型内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

python Tkinter版学生管理系统
这篇文章主要为大家详细介绍了python Tkinter版学生管理系统，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-02-02
python 多线程应用介绍
python可以方便地支持多线程。可以快速创建线程、互斥锁、信号量等等元素，支持线程读写同步互斥
2012-12-12
Python实现多条件筛选Excel数据并批量绘制直方图
这篇文章主要为大家介绍了如何Python对Excel数据进行多条件筛选和去除并批量绘制直方图,文中的示例代码讲解详细,感兴趣的小伙伴可以参考一下
2023-09-09
python 如何用 Hypothesis 来自动化单元测试
这篇文章主要介绍了python 如何用 Hypothesis 来自动化单元测试，帮助大家更好的理解和学习使用python，感兴趣的朋友可以了解下
2021-03-03
Python比较两个图片相似度的方法
这篇文章主要介绍了Python比较两个图片相似度的方法,涉及Python操作pil模块实现图片比较的技巧,具有一定参考借鉴价值,需要的朋友可以参考下
2015-03-03
python通过TimedRotatingFileHandler按时间切割日志
这篇文章主要介绍了python通过TimedRotatingFileHandler按时间切割日志的方法，本文给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
2019-07-07
python进度条库tqdm使用记录(特点和用法)
tqdm是一个Python库,用于在命令行界面中创建美观的进度条,以跟踪代码中循环、迭代和任务的执行进度,本文给大家介绍python进度条库tqdm使用记录,感兴趣的朋友跟随小编一起看看吧
2023-10-10
Unicode和Python的中文处理
在Python语言中，Uincode字符串处理一直是一个容易让人迷惑的问题。许多Python爱好者经常因为搞不清Unicode、UTF-8还有其它许许多多的编码之间的区别而大伤脑筋。本文将介绍Unicode和Python的中文处理的相关知识。下面跟着小编一起来看下吧
2017-03-03
django认证系统实现自定义权限管理的方法
这篇文章主要介绍了django认证系统实现自定义权限管理的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2018-07-07
Python 爬取网页图片详解流程
没想到python是如此强大，令人着迷，以前看见图片总是一张一张复制粘贴，现在好了，学会python就可以用程序将一张张图片，保存下来。今天网上冲浪看到很多美图，可是图片有点多，不想一张一张地复制粘贴，怎么办呢？办法总是有的，即便没有我们也可以创造一个办法
2021-11-11

Keras深度学习模型Sequential和Model详解

目录

Keras模型

Sequential序列模型

Model通用模型

相关文章

最新评论

大家感兴趣的内容

最近更新的内容

常用在线小工具