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
win7安装python生成随机数代码分享
Dec 27 Python
介绍Python中的一些高级编程技巧
Apr 02 Python
详解Python中的__new__()方法的使用
Apr 09 Python
Python中的hypot()方法使用简介
May 18 Python
详解在Python中处理异常的教程
May 24 Python
python XlsxWriter模块创建aexcel表格的实例讲解
May 03 Python
详解pandas.DataFrame中删除包涵特定字符串所在的行
Apr 04 Python
PyQt5固定窗口大小的方法
Jun 18 Python
python try except返回异常的信息字符串代码实例
Aug 15 Python
.dcm格式文件软件读取及python处理详解
Jan 16 Python
pytorch:model.train和model.eval用法及区别详解
Feb 20 Python
Python制作表白爱心合集
Jan 22 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 n个不重复的随机数生成代码
2009/06/23 PHP
PHP 文本文章分页代码 按标记或长度(不涉及数据库)
2012/06/07 PHP
利用谷歌 Translate API制作自己的翻译脚本
2014/06/04 PHP
javascript复制对象使用说明
2011/06/28 Javascript
JS实现随机化快速排序的实例代码
2013/08/01 Javascript
JQuery实现点击div以外的位置隐藏该div窗口
2013/09/13 Javascript
js中的事件捕捉模型与冒泡模型实例分析
2015/01/10 Javascript
JS更改select内option属性的方法
2015/10/14 Javascript
Angularjs---项目搭建图文教程
2016/07/08 Javascript
基于JavaScript实现购物网站商品放大镜效果
2016/09/06 Javascript
微信小程序 常用工具类详解及实例
2017/02/15 Javascript
react开发教程之React 组件之间的通信方式
2017/08/12 Javascript
小程序点赞收藏功能的实现代码示例
2018/09/07 Javascript
用vue写一个日历
2020/11/02 Javascript
JS实现百度搜索框
2021/02/25 Javascript
[01:47]2018年度DOTA2最佳教练-完美盛典
2018/12/16 DOTA
sqlalchemy对象转dict的示例
2014/04/22 Python
pandas 时间格式转换的实现
2019/07/06 Python
解决django服务器重启端口被占用的问题
2019/07/26 Python
python批量图片处理简单示例
2019/08/06 Python
tensorflow 实现数据类型转换
2020/02/17 Python
Python实现Wordcloud生成词云图的示例
2020/03/30 Python
详解使用Python写一个向数据库填充数据的小工具(推荐)
2020/09/11 Python
澳大利亚音乐商店:Bava’s Music City
2019/05/05 全球购物
BAILEY 44官网:美国制造的女性服装
2019/07/01 全球购物
Lentiamo比利时:便宜的隐形眼镜
2020/02/14 全球购物
三年级音乐教学反思
2014/01/28 职场文书
搞笑获奖感言
2014/01/30 职场文书
2014年三八妇女节活动方案
2014/02/28 职场文书
求职面试个人自我评价
2014/02/28 职场文书
小学生志愿者活动方案
2014/08/23 职场文书
大学生党校培训心得体会
2014/09/11 职场文书
毕业证丢失证明范本
2014/09/20 职场文书
2015年迎新晚会策划书
2015/07/16 职场文书
解决thinkphp6(tp6)在状态码500下不报错,或者显示错误“Malformed UTF-8 characters”的问题
2021/04/01 PHP
Python实现学生管理系统(面向对象版)
2021/06/24 Python