Keras-Sequential模型(1)
Sequential是多个网络层的线性堆叠。
看到以上关于layer(层)的概念,兴许,对于刚刚接触Keras的童鞋们来说还是比较懵逼,例如我,然后参考了其他的一些博主的成果,有种“柳暗花明”的赶脚。
Keras实现了很多层,包括core核心层,Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。而实现一个Sequential模型(相对比较特殊)则需要多个层来共同搭建(堆叠)和串联实现,不知道这个说法理解对不对。
先快速实现一个简单的Sequential模型,然后模型中涉及的每一个“层”的知识,之后会慢慢介绍和更新。
#!/usr/bin/python
#created by lixin 20161206
from keras.models import Sequential
from keras.layers import Dense,Activation,Dropoutmodel = Sequential()
model.add(Dense(64,input_dim=784,init='uniform',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(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])#generate dummy data
import numpy as np
data = np.random.random((1000,784))
labels = np.random.randint(2,size=(1000,1))
model.fit(data,labels,nb_epoch=100,batch_size=32)
这段代码是一个用于二分类的有监督的多层感知器。训练数据是随机产生的1000组,其维度为784,目标数据(标签)是随机产生的1000组0/1数据。
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。
- 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,其中也可以填入None,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
- 传递一个batch_input_shape的关键字参数给第一层,该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用,例如在stateful RNNs中。事实上,Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
- 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。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
下面的三个指定输入数据shape的方法是严格等价的:
model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_dim=784))
#貌似更常用或是更常见
下面三种方法也是严格等价的:
model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
model = Sequential()
model.add(LSTM(32, batch_input_shape=(None, 10, 64)))
model = Sequential()
model.add(LSTM(32, input_length=10, input_dim=64))
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: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
- 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。
- 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.
训练
Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数。
Keras-Sequential模型(1)相关推荐
- Keras Sequential 模型
Last updated: 2022-06-27, 11:26 1. 配置 import tensorflow as tf from tensorflow import keras from tens ...
- Keras Sequential顺序模型
Keras Sequential顺序模型 keras是基于tensorflow封装的的高级API,Keras的优点是可以快速的开发实验,它能够以TensorFlow, CNTK, 或者 Theano ...
- Keras中Sequential模型及方法详细总结
Sequential 序贯模型 序贯模型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,不分叉,是多个网络层的线性堆叠. Keras实现了很多层,包括core核心层,Convolution卷 ...
- 理解keras中的sequential模型
keras中的主要数据结构是model(模型),它提供定义完整计算图的方法.通过将图层添加到现有模型/计算图,我们可以构建出复杂的神经网络. Keras有两种不同的构建模型的方法: Sequentia ...
- TensorFlow基础12-(keras.Sequential模型以及使用Sequential模型 实现手写数字识别)
记录TensorFlow听课笔记 文章目录 记录TensorFlow听课笔记 一,Sequential模型 二,实现手写数字识别 一,Sequential模型 二,实现手写数字识别 #使用Sequen ...
- 【tensorflow】Sequential 模型方法
深入学习Keras中Sequential模型及方法 - 战争热诚 - bky https://www.cnblogs.com/wj-1314/p/9579490.html Sequential 序贯模 ...
- 【tensorflow】Sequential 模型方法 compile, model.compile
Sequential 顺序模型 API - Keras 中文文档 https://keras.io/zh/models/sequential/ Sequential 序贯模型 序贯模型是函数式模型的简 ...
- Keras序列模型学习
转自:https://keras.io/zh/getting-started/sequential-model-guide/ 1.顺序模型是多个网络层的线性堆叠. 你可以通过将网络层实例的列表传递给 ...
- keras提取模型中的某一层_Tensorflow笔记:高级封装——Keras
前言 之前在<Tensorflow笔记:高级封装--tf.Estimator>中介绍了Tensorflow的一种高级封装,本文介绍另一种高级封装Keras.Keras的特点就是两个字--简 ...
- Keras Tuner模型自动超参数调优
Keras Tuner安装 pip install keras-tuner from tensorflow.keras import layers from tensorflow import ker ...
最新文章
- ASP .NET Core Web MVC系列教程二:添加控制器
- 解决VS2015 VBCSCompiler.exe 占用CPU100%的问题
- navicat下载安装和激活一分钟完成
- PHP正则表达式学习(一) 模式修正符
- feignclient对象找不到_领导同事争相介绍对象,相亲N次,我找不到一条结婚的理由...
- 32乘法运算_算术运算指令
- HDMI EDID解读
- Flash 第七章 元件,帧,库管理
- 【知识兔】Excel多级联动关联下拉菜单的制作,一看就会!
- 数据挖掘作业FCM算法
- 1、马克思主义哲学是科学的世界观和方法论
- viewers.js 图片查看插件使用说明-vue中引用
- 梦幻西游手游登录显示服务器错误,梦幻西游手游无法登陆怎么解决 无法登陆原因及解决方案一览_3DM手游...
- 接近8000字的Spring/Spring常用注解总结
- Python还能火多久?
- 如何解决“无法执行磁盘检查,因为Windows无法访问该磁盘”问题?
- 最近论文汇总:Squeeze-and-Excitation Networks
- 第六十四章 Caché 函数大全 $STACK 函数
- python最大公约数算法流程图,Python 最大公约数算法
- Synchronized-偏向锁