keras搭建模型

方法一

Sequential()搭建模型

Sequential 是多个网络层的线性堆栈，可以从keras的线性模型库导入Sequential模型：

from keras.models import Sequential
import tensorflow as tf#创建一个网络模型
model = Sequential()Using Tensorflow backend.

将一些网络层的layers通过add（）添加到Sequential中

from keras.layers import Dense,Activationmodel.add(Dense(units=64,input_dim=100))
model.add(Activation(('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))

也可以自己直接输入一个list完成Sequential模型的搭建：

model = Sequential([(Dense(units=64,input_dim=100)),(Activate('relu')),(Dense(units=10)),model.add(Activation('softmax'))])

除了第一个输入的变量需要指定数据的shape以外，其他层的数据框架会自动推到。

可以使用 input_shape 这个关键字来指定第一层输入的 shape，input_shape 是一个 tuple 类型的数据（可以是整数也可以填入 None，如果填入 None 则表示此位置可能是任何正整数）但需要注意的是，数据的 batch大小不应包含在其中

有些 2D 层，可以使用 Dense，指定第一层输入维度 input_dim 来隐含的指定输入数据的 shape，它是一个 Int 类型的数据。还有一些 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(32,input_shape=(784,)))model= Sequential()
model.add(Dense(32,input_dim=784))

创建好模型后可以使用model.summary()来查看最终的模型的结构

方法二-使用Model（）模型来创建

方法一是使用Sequential（）（中文名是序贯模型）此处使用Model（）（函数式模型）来搭建模型。

中文文档中的说明：Keras 函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。一句话，只要你的模型不是类似 VGG 一条路走到黑的模型，或者你的模型需要多于一个的输出，那么你总应该选择函数式模型。函数式模型是最广泛的一类模型，序贯模型（Sequential）只是它的一种特殊情况。

简单的demo

from keras.layers import Input,Dense
from keras.models import Modelinputs = Input(shape=(784,))# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)model = Model(inputs=inputs,outputs=predictions)
model.compile(optimizer='rmaprop',loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(data,labels)#start training

编译创建好的环境

网络模型创建好之后，需要对网络的歇息过程进行配置，否则在调用fit或者evaluate是会抛出异常。使用compile(self, optimizer, loss, metrics=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

compile()主要接受前三个参数：

loss:字符串类型，用来指定损失函数，如:categorical_crossentropy，binary_crossentropy
optimizer:字符串类型，用来指定优化方式，如：rmsprop，adam，sgd
metrics:列表类型，用来指定衡量模型的指标，如：accuracy

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

训练模型
训练模型一般使用fit()函数：

fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0,validation_data=None,shuffle=True,class_weight=None, sample_weight=None, initial_epoch=0)

x: 训练数据数组。如果输入的是框架本地的张量(如 Tensorflow 的数据 tensors )， x 可以是 None (默认) 。

y: 目标(标签)数据数组。如果输入的是框架本地的张量(如 Tensorflow 的数据 tensors )， y 可以是 None (默认) 。

batch_size: 指定 batch 的大小，为整数或者为 None。如果没有指定，默认为 32。

epochs: 指定训练时全部样本的迭代次数，为整数。

官方教程的例子

# For a single-input model with 2 classes (binary classification):model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
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, 100))
labels = np.random.randint(2, size=(1000, 1))# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)

# For a single-input model with 10 classes (categorical classification):model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))# Convert labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)# Train the model, iterating on the data in batches of 32 samples
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

keras简单的实际入门教程相关推荐

CAD简单圣诞树新手入门教程：
合适CAD简单圣诞树新手入门教程: 花:1.先画花瓣 2.画两个相交的圆 3.修剪掉不用的边 4.变成花瓣 5.然后选择花瓣应用阵型工具 6.阵型数量为6个 7.这样花就画好了. 树:1.首先用圆弧命 ...
掌声送给TensorFlow 2.0！用Keras搭建一个CNN | 入门教程
作者 | Himanshu Rawlani 译者 | Monanfei,责编 | 琥珀出品 | AI科技大本营(id:rgznai100) 2019 年 3 月 6 日,谷歌在 TensorFlow ...
写一篇简单的TileMap入门教程
是好久好久都没有更新了最近上课讲到了unity的TileMap,那么就给大家献上我自己对TileMap的理解以及一些入门操作,便于给刚接触TileMap的你一些参考. TileMap总所周知是一个十 ...
史上最简单的Git入门教程
1. 版本控制系统简介 1.1 何为版本控制版本控制最主要的功能就是追踪文件的变更.它将什么时候.什么人更改了文件的什么内容等信息忠实地了已录下来.每一次文件的改变,文件的版本号都将增加.除了记录版 ...
最简单的 Git 入门教程
机缘巧合之下,我开始使用 GitHub ,但事实上,刚刚入门的我不知道如何才能使 GitHub 发挥他的全部功能.不久之前,我偶然听了李福斯先生对 GitHub 的介绍,受益匪浅. 简单的来说, Gi ...
零基础超简单的Docker入门教程 So Easy
前提本文是基于windows环境下使用docker的学习文章其实我也有很长的一段时期在ubuntu系统下开发,很喜欢linux系统的纯净方便,但是当你身边同事都是使用windows与你交流沟通传输 ...
魔方教程一步一步图解(史上最简单的魔方入门教程)新手一看就会
IT数学系列最常见的魔方是三阶魔方,是匈牙利布达佩斯建筑学院厄尔诺·鲁比克教授在1974年发明的.魔方教程一步一步图解新手一看就会. 魔方教程一步一步图解魔方共6色6面,每面又分为中央块(最中间的块 ...
最简单的Lambda入门教程
Lambda简介 Lambda作为函数式编程中的基础部分,在其他编程语言(例如:Scala)中早就广为使用,但在JAVA领域中发展较慢,直到java8,才开始支持Lambda. 抛开数学定义不看,直接 ...
Python入门教程详解
Python入门教程目录 1. 简介 2. 安装 3. 基本语法 4. 数据类型 5. 条件语句 6. 循环 7. 函数 8. 模块 9. 异常处理 10. 文件输入输出 1. 简介 Python是 ...

keras简单的实际入门教程

keras搭建模型

方法一

方法二-使用Model（）模型来创建

方法一是使用Sequential（）（中文名是序贯模型）此处使用Model（）（函数式模型）来搭建模型。

官方教程的例子

keras简单的实际入门教程相关推荐

最新文章

热门文章