Keras学习(一)—— Keras 模型(keras.model): Sequential 顺序模型 和 Model 模型

Keras学习(一)—— Keras 模型(keras.model): Sequential 顺序模型 和 Model 模型KerasModel模型Keras中文文档Keras模型Sequential顺序模型Sequential使用方法一个简单的Sequential示例构建方法inputshape输入的形状(格式)complication编译training训练Model模型Model使用方法compile编译fit进行训练evaluate函数进行评估Keras中文文档首先了解Keras…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46,售后保障稳定

Keras 中文文档

首先了解Keras的一个很好的途径就是通过 文档
Keras 中文文档地址: https://keras.io/zh/models/about-keras-models/

可以通过查看官方文档更加准确地了解相关信息。

Keras 模型

Keras提供的模型,其中分为两类:

  • Sequential 顺序模型
  • Model 类模型

我们可以通过 from keras.models import Sequential 或者 from keras.models import Model 来导入对应的模型。

Sequential 顺序模型


参考Keras文档: https://keras.io/models/sequential/


  • Sequential 模型结构: 层(layers)的线性堆栈。简单来说,它是一个简单的线性结构,没有多余分支,是多个网络层的堆叠。

Sequential使用方法

一个简单的Sequential示例

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

Jetbrains全家桶1年46,售后保障稳定

从上述代码中可以看出:

  • from keras.models import Sequential 引入Sequential
  • model = Sequential([...])则开始构建model
    • 其中,Dense是一个全连接层,它的激活函数默认为是linear线性函数
    • 激活函数可以通过 单独的激活层 实现,也可以通过 构建层时传递activation实现,这就是说:
  model.add(Dense(64))
  model.add(Activation('tanh'))

等价于

model.add(Dense(64, activation='tanh'))

构建方法

除了上面代码的:

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

还可以简单的写为:

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

input shape 输入的形状(格式)

构建一个模型时,第一层需要给出期待的Input shape ,剩余的层次会自动判断。

  • input shape是一个tuple格式的数据,可以是整数的tuple,也可以是None

  • input shape中并没有batch dimension 批量维度

  • 2D层,例如Dense, 通过指定参数 input_dim (一个数字)来描述输入形状。

  • 3D层,通过参数 input_diminput_length来描述输入型状。

  • 参数input_shape 通过tuple的形式,指定输入形状。

  • 参数batch_size可以指定固定批量大小。

batch_size=32 + input_shape=(6, 8) = (32, 6, 8)

示例:

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

## 上下相等,对于二维层Dense,可以通过如下所示的input_dim指定输入形状##

model = Sequential()
model.add(Dense(32, input_dim=784))

complication 编译

在训练模型之前,您需要配置学习过程,这是通过编译方法完成的。 形式是model.compile(...)
它收到三个参数:

  • 优化器(opyimizer),可以是优化器的字符串标识符,也可以是Optimizer类的实例
  • 损失函数(loss function),模型要将其最小化,可以通过字符串标识符指定,可以通过目标函数指定
  • 指标(metricts)列表, 对于任何分类问题,需要将其设置为metrics = [‘accuracy’]。 度量可以是现有度量的字符串标识符自定义度量函数
# For a multi-class classification problem
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# For a binary classification problem
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# For a mean squared error regression problem
model.compile(optimizer='rmsprop',
              loss='mse')

其实compile函数还可以接受其他参数,此处不以详述。

training 训练

使用fit函数进行训练,示例如下:

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)

fit函数官方定义如下:

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_freq=1)

其中常用的参数:

  • x Numpy训练数据数组(如果模型有单个输入),或Numpy数组列表(如果模型有多个输入)。也可以是已经命名的输入图层的名称。 如果从框架原生张量(例如TensorFlow数据张量)进行馈送,则x可以是None(默认)。
  • y 与x相似,只不过y代表的是目标标签(target label)。可以是:Numpy目标(标签)数据数组(如果模型具有单个输出)或Numpy数组列表(如果模型具有多个输出)或 输入图层的名称 或None.
  • batch_size IntegerNone,代表每个梯度更新的样本数,默认值为32.
  • epochs Integer,模型的训练的 时期数,每个epoch是对x,y的整个迭代。

Model 模型


参考Keras文档:https://keras.io/models/model/


Model 模型是带有函数API的,不是线性的,它是一个可以多输入、多输出的模型。

如下:

model = Model(inputs=a, outputs=b)
model = Model(inputs=[a1, a2], outputs=[b1, b2, b3])
  • 通过inputs 和 outputs 构造多输入(a1,a2)和多输出(b1,b2,b3)的Model

Model 使用方法

与Sequential类似,有compile fit等方法。大致和上述的compile和fit一致。

compile 编译

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
  • optimizer:优化器
  • loss:损失函数。与Sequential的compile的loss有所不同的是,Model的多个输出可以有多个loss,可以用过一个dict来声明:{'output_a':loss_func_1, 'output_b':loss_func_2}
  • metrics:指标列表。在培训和测试期间由模型评估的度量列表。 通常,您将使用metrics = [‘accuracy’]。 要为多输出模型的不同输出指定不同的度量标准,您还可以传递dict,例如metrics = {‘output_a’:‘accuracy’}。

fit 进行训练

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_freq=1)

x,y,batch_size,epoch都和之前说明的一样。
返回 一个History实例, 其History.history属性是连续时期的训练损失值和度量值的记录,以及验证损失值和验证度量值(如果适用)。

evaluate 函数进行评估

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None)

返回测试模式下模型的损失值(loss)和度量(metricts)值。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:http://www.javaforall.cn/234882.html原文链接:http://www.javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • Stata:合成控制法程序分享

    Stata:合成控制法程序分享原文链接:https://www.lianxh.cn/news/bf1839debd082.htmlYiqingXu-R程序-一般化合成控制法 一个完整的合成控制法Stata范例-包含数据、假设检验和图形展示等||-PDF- Atooltorunapoolofsyntheticcontrols,conductinference,andproducevisualizations. 原文链接:https://www.lianxh.cn/news/b..

  • JS中innerHTML、outerHTML、innerText、outerText的用法与区别

    JS中innerHTML、outerHTML、innerText、outerText的用法与区别1、功能说明:innerHTML设置或获取位于对象起始和结束标签内的HTMLinnerText设置或获取位于对象起始和结束标签内的文本outerHTML设置或获取对象及其内容的HTML形式outerText设置(包括标签)或获取(不包括标签)对象的文本2、示例页面有如下代码:span1span2varinnerHTML=document.getElemen

  • mysql创建前缀索引

    mysql创建前缀索引ALTERtable表名addindextitle_pre(列名(100))列名后面的数字代表前缀的长度,前缀长度并不是越长越好,这里涉及到一个选择性问题,selectcount(distinct列名)/count(*)asa,COUNT(DISTINCTleft(列名,100))asb,COUNT(DISTINCTleft(列名,110))ascfrom表名来查…

  • linux fork函数浅析

    linux fork函数浅析

    2021年11月28日
  • 用Java代码实现学生管理系统[通俗易懂]

    用Java代码实现学生管理系统[通俗易懂]学生管理系统1.1项目演示1.2学生管理系统实现思路定义学生类主界面的代码编写添加学生的代码编写查看学生的代码编写删除学生的的代码编写修改学生的代码编写1.3定义学生类学生类:Student成员变量:学号:sid姓名:name年龄:age居住地:address构造方法:无参构造带四个参数的构造成员方法:每个成员变量对应给出get/set方法1.4主界面的代码编写思路用输出语句完成主界面的编写用Scanner实现键盘录

  • 突然想去旅游

    突然想去旅游  突然想去旅游,一个人,静静的,去到那些宁静的自然风光中去,置身其中,什么也不想! 

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号