Keras中的两种模型:Sequential和Model用法


Posted in Python onJune 27, 2020

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 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

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。

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)

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

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三水点靠木。

Python 相关文章推荐
分析在Python中何种情况下需要使用断言
Apr 01 Python
pygame学习笔记(1):矩形、圆型画图实例
Apr 15 Python
python中base64加密解密方法实例分析
May 16 Python
Python爬虫利用cookie实现模拟登陆实例详解
Jan 12 Python
Python内存管理方式和垃圾回收算法解析
Nov 11 Python
Zookeeper接口kazoo实例解析
Jan 22 Python
django 开发忘记密码通过邮箱找回功能示例
Apr 17 Python
Python实例方法、类方法、静态方法的区别与作用详解
Mar 25 Python
如何通过python画loss曲线的方法
Jun 26 Python
Pytorch 抽取vgg各层并进行定制化处理的方法
Aug 20 Python
详解python opencv、scikit-image和PIL图像处理库比较
Dec 26 Python
Python基础之变量基本用法与进阶详解
Jan 03 Python
keras输出预测值和真实值方式
Jun 27 #Python
使用Keras预训练好的模型进行目标类别预测详解
Jun 27 #Python
浅谈keras 模型用于预测时的注意事项
Jun 27 #Python
python suds访问webservice服务实现
Jun 26 #Python
解析Python 偏函数用法全方位实现
Jun 26 #Python
Python如何优雅删除字符列表空字符及None元素
Jun 25 #Python
使用pytorch实现论文中的unet网络
Jun 24 #Python
You might like
php.ini中date.timezone设置分析
2011/07/29 PHP
PHP自带方法验证邮箱、URL、IP是否合法的函数
2016/12/08 PHP
基于laravel缓冲cache的用法详解
2019/10/23 PHP
javascript支持firefox,ie7页面布局拖拽效果代码
2007/12/20 Javascript
js 浮动层菜单收藏
2009/01/16 Javascript
模拟电子签章盖章效果的jQuery插件源码
2013/06/24 Javascript
jQuery内容过滤选择器用法分析
2015/02/10 Javascript
60行js代码实现俄罗斯方块
2015/03/31 Javascript
jquery+php随机生成红包金额数量代码分享
2015/08/27 Javascript
Bootstrap每天必学之面板
2015/11/30 Javascript
Node.js包管理器Yarn的入门介绍与安装
2016/10/17 Javascript
js数组去重的hash方法
2016/12/22 Javascript
jquery横向纵向鼠标滚轮全屏切换
2017/02/27 Javascript
Vue + Webpack + Vue-loader学习教程之相关配置篇
2017/03/14 Javascript
jQuery实现鼠标响应式淘宝动画效果示例
2018/02/13 jQuery
JavaScript累加、迭代、穷举、递归等常用算法实例小结
2018/05/08 Javascript
vue input 输入校验字母数字组合且长度小于30的实现代码
2018/05/16 Javascript
vue组件通信传值操作示例
2019/01/08 Javascript
Android 自定义view仿微信相机单击拍照长按录视频按钮
2019/07/19 Javascript
JS实现音量控制拖动
2020/01/15 Javascript
ES6学习笔记之let与const用法实例分析
2020/01/22 Javascript
[02:23]2018DOTA2亚洲邀请赛趣味视频——反应测试
2018/04/04 DOTA
Python实例一个类背后发生了什么
2016/02/09 Python
Python实现递归遍历文件夹并删除文件
2016/04/18 Python
基于python3 类的属性、方法、封装、继承实例讲解
2017/09/19 Python
Python定时任务sched模块用法示例
2018/07/16 Python
pandas 数据结构之Series的使用方法
2019/06/21 Python
Django 路由控制的实现
2019/07/17 Python
瑞典耳机品牌:URBANISTA
2019/12/03 全球购物
Ruby如何实现动态方法调用
2012/11/18 面试题
初一科学教学反思
2014/01/27 职场文书
计算机科学技术自荐信
2014/06/12 职场文书
仓库统计员岗位职责
2015/04/14 职场文书
高中美术教学反思
2016/02/17 职场文书
SqlServer 垂直分表(减少程序改动)
2021/04/16 SQL Server
python基础之类方法和静态方法
2021/10/24 Python