序贯模型

序贯模型是多个网络层的线性堆叠，是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不发生分叉。

1、应用序贯模型的基本步骤

model.add，添加层；
model.compile,模型训练的BP模式设置；
model.fit，模型训练参数设置 + 训练；
模型评估
模型预测

2、创建

1、可以通过向Sequential模型传递一个layer的list来构造该模型：

from keras.models import Sequential
from keras.layers import Dense, Activationmodel = Sequential([
Dense(32, units=784),
Activation('relu'),
Dense(10),
Activation('softmax'),
])

2、也可以通过.add()方法一个个的将layer加入模型中：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model.add(Activation('relu'))

3、指定输入数据的shape

模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape

1、传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据

model = Sequential()
model.add(Dense(64, input_shape=(20,), activation='relu'))

2、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。

model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))

4、编译

在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：优化器optimizer，损失函数loss，指标列表metrics

model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy'])

5、训练

训练模型一般使用fit函数

model.fit(x_train, y_train,epochs=20,batch_size=128)

6、评估

根据验证集评估模型的好坏

score = model.evaluate(x_val, y_val, batch_size=128)
print('val score:', score[0])
print('val accuracy:', score[1])

7、预测

对已训练完成的模型，输入特征值x会预测得到标签y

x=1
y=model.predict(x,verbose=0)
print(y)

8、示例

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout# 准备训练集和验证集
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_val = np.random.random((100, 20))
y_val = np.random.randint(2, size=(100, 1))model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
# 或 model.add(Dense(64, input_shape=(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,epochs=20,batch_size=128)score = model.evaluate(x_val, y_val, batch_size=128)
print('val score:', score[0])
print('val accuracy:', score[1])x=1
y=model.predict(x,verbose=0)
print(y)

函数式模型

比序贯模型要复杂，可以同时/分阶段输入变量，分阶段输出想要的模型

1、应用函数式模型的基本步骤

model.layers，添加层；
model.compile,模型训练的BP模式设置；
model.fit，模型训练参数设置 + 训练；
模型评估
模型预测

2、创建

model=Model(inputs=, outputs=)

3、指定输入数据的shape

inputs=Input(shape=(20,))

4、编译，训练，评估，预测等步骤与序贯式模型相同，这里不再赘述

5、示例一

基于上文序贯式模型进行改造

import numpy as np
from keras.models import Model
from keras.layers import Dense, Dropout# 准备训练集和验证集
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_val = np.random.random((100, 20))
y_val = np.random.randint(2, size=(100, 1))inputs = Input(shape=(20,))
x=Dense(64,activation='relu')(inputs)
x=Dropout(0.5)(x)
x=Dense(64,activation='relu')(x)
x=Dropout(0.5)(x)
predictions=Dense(1, activation='sigmoid')(x)model=Model(inputs=inputs, outputs=predictions)
model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
model.fit(x_train, y_train,epochs=20,batch_size=128)score = model.evaluate(x_val, y_val, batch_size=128)
print('val score:', score[0])
print('val accuracy:', score[1])x=1
y=model.predict(x,verbose=0)
print(y)

6、示例二

多输入多输出模型

from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Modelmain_input = Input(shape=(100,), dtype='int32', name='main_input')
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
lstm_out = LSTM(32)(x)
auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)
auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_input])# We stack a deep densely-connected network on top
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)# And finally we add the main logistic regression layer
main_output = Dense(1, activation='sigmoid', name='main_output')(x)model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])
model.compile(optimizer='rmsprop',loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},loss_weights={'main_output': 1., 'aux_output': 0.2})# And trained it via:
model.fit({'main_input': headline_data, 'aux_input': additional_data},{'main_output': labels, 'aux_output': labels},epochs=50, batch_size=32)

Keras —— 序贯模型和函数式模型相关推荐

Keras学习笔记（一）认识序贯（Sequential）模型
Keras由纯Python编写而成并基Tensorflow.Theano以及CNTK后端.Keras 为支持快速实验而生,能够把你的idea迅速转换为结果,它的可读性非常强!笔者在这参考了中文文档给自 ...
Python机器学习笔记：深入理解Keras中序贯模型和函数模型
先从sklearn说起吧,如果学习了sklearn的话,那么学习Keras相对来说比较容易.为什么这样说呢? 我们首先比较一下sklearn的机器学习大致使用流程和Keras的大致使用流程: skl ...
深度学习：Keras基础--序贯模型（sequential）
深度学习:Keras入门(一)之基础篇 1.Keras搭建神经网络: Keras有两种类型的模型,序贯模型(Sequential)和函数式模型(Model),函数式模型应用更为广泛,序贯模型是函数式模 ...
Keras学习笔记：函数式模型
目录: 目录: 函数式(Functional)模型第一个模型:全连接网络多输入和多输出模型让我们用函数式模型来实现这个框图共享层更多的例子 inception模型卷积层的残差连接共享视觉 ...
keras保存模型_TF2 8.模型保存与加载
举个例子:先训练出一个模型 import 接下来第一种方法:只保留模型的参数:这个有2种方法: model.save_weights("adasd.h5")model.load_w ...
【博弈论基础与几大经典模型】古诺模型、斯塔克尔伯格模型Stackelberg Game、价格领导模型、Bertrand模型、Sweezy模型
最近阅读了一篇paper中用到了Stackelberg Game建模,于是找了一些资料先学习以下该模型的理论知识,发现很多学科都是相关的,真是神奇的存在. 什么是博弈论博弈论(Game theory ...
Keras【Deep Learning With Python】—Keras实现序贯模型
文章目录 Sequential 程序说明代码实现运行结果 Sequential 初步了解了tensorflow以后,发现了基于tensorflow的非常简洁的深度学习框架keras,只需要短短几行 ...
浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）
浅谈深度学习:LSTM对股票的收益进行预测(Sequential 序贯模型,Keras实现) 总包含文章: 一个完整的机器学习模型的流程浅谈深度学习:了解RNN和构建并预测浅谈深度学习:基于对LS ...
Keras搭建序贯式模型
学习Keras搭建序贯式模型,并学习使用MNIST手写数字识别例子 from tensorflow.keras import layers, models# 创建一个序贯式模型对象 model = m ...

Keras —— 序贯模型和函数式模型

序贯模型

1、应用序贯模型的基本步骤

2、创建

3、指定输入数据的shape

4、编译

5、训练

6、评估

7、预测

8、示例

函数式模型

1、应用函数式模型的基本步骤

2、创建

3、指定输入数据的shape

4、编译，训练，评估，预测等步骤与序贯式模型相同，这里不再赘述

5、示例一

6、示例二

Keras —— 序贯模型和函数式模型相关推荐

最新文章

热门文章