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
简单的通用表达式求10乘阶示例
Mar 03 Python
解决python写的windows服务不能启动的问题
Apr 15 Python
Python中的高级数据结构详解
Mar 27 Python
Python加pyGame实现的简单拼图游戏实例
May 15 Python
详解python之多进程和进程池(Processing库)
Jun 09 Python
Python数据结构与算法之图的基本实现及迭代器实例详解
Dec 12 Python
python实现将excel文件转化成CSV格式
Mar 22 Python
使用python读取txt文件的内容,并删除重复的行数方法
Apr 18 Python
python实时检测键盘输入函数的示例
Jul 17 Python
Python 读取xml数据,cv2裁剪图片实例
Mar 10 Python
如何基于Python实现word文档重新排版
Sep 29 Python
python+selenium自动化实战携带cookies模拟登陆微博
Jan 19 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
Yii操作数据库的3种方法
2014/03/11 PHP
PHP实现的CURL非阻塞调用类
2018/07/26 PHP
23个Javascript弹出窗口特效整理
2011/02/25 Javascript
仿中关村在线首页弹出式广告插件(jQuery版)
2012/05/03 Javascript
简单几行JS Code实现IE邮件转发新浪微博
2013/07/03 Javascript
js获取对象为null的解决方法
2013/11/21 Javascript
jQuery实现隔行背景色变色
2014/11/24 Javascript
jQuery中each()方法用法实例
2014/12/27 Javascript
每天一篇javascript学习小结(String对象)
2015/11/18 Javascript
node-http-proxy修改响应结果实例代码
2016/06/06 Javascript
vue-cli+webpack在生成的项目中使用bootstrap实例代码
2017/05/26 Javascript
vue2.X组件学习心得(新手必看篇)
2017/07/05 Javascript
js 倒计时(高效率服务器时间同步)
2017/09/12 Javascript
vue + element-ui的分页问题实现
2018/12/17 Javascript
如何在Angular应用中创建包含组件方法示例
2019/03/23 Javascript
jQuery实现弹幕特效
2019/11/29 jQuery
JavaScript this关键字指向常用情况解析
2020/09/02 Javascript
[01:27:44]DOTA2-DPC中国联赛 正赛 PSG.LGD vs Aster BO3 第一场 1月24日
2021/03/11 DOTA
Python运行的17个时新手常见错误小结
2012/08/07 Python
Python 错误和异常小结
2013/10/09 Python
windows下python安装pip图文教程
2018/05/25 Python
python3.6根据m3u8下载mp4视频
2019/06/17 Python
使用Python轻松完成垃圾分类(基于图像识别)
2019/07/09 Python
django之状态保持-使用redis存储session的例子
2019/07/28 Python
python Opencv计算图像相似度过程解析
2019/12/03 Python
python新式类和经典类的区别实例分析
2020/03/23 Python
python中有帮助函数吗
2020/06/19 Python
Python3爬虫中关于Ajax分析方法的总结
2020/07/10 Python
药学专业学生的自我评价分享
2014/02/06 职场文书
市场营销专业应届生自荐信
2014/06/19 职场文书
生产工厂门卫岗位职责
2014/09/26 职场文书
清洁工个人总结
2015/03/04 职场文书
2016春季运动会通讯稿
2015/07/18 职场文书
2015年学校政教工作总结
2015/07/20 职场文书
创业计划书之宠物店
2019/09/19 职场文书
pytorch 两个GPU同时训练的解决方案
2021/06/01 Python