Deep learning基于theano的keras学习笔记（2）-泛型模型（含各层的方法）

from keras.layers import Input, Dense
from keras.models import Model

# 这返回一个张量
inputs = Input(shape=(784,))

# 每个层对象接受张量，返回张量
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 下面代码创建包括输入层和三个全连接层的模型
model = Model(input=inputs, output=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  # 开始训练

#所有的模型都是可调用的，就像层一样，当你调用模型时，不仅重用了它的结构，也重用了它的权重

x = Input(shape=(784,))
# 下面一行代码就调用了上面的model模型
y = model(x)

#这种方式可以使你快速创建能处理序列信号的模型，你可很快将一个图像分类的模型变为一个对视频分类的模型，只需要一行代码：
from keras.layers import TimeDistributed

# 输入是20个timesteps的序列张量，每个timestep包含784-dimensional维向量
input_sequences = Input(shape=(20, 784))

# 这将对输入序列的每一timestep使用上面的model，下面代码的输出将是一个10 size的20 vectors
processed_sequences = TimeDistributed(model)(input_sequences)

from keras.layers import Input, Embedding, LSTM, Dense, merge
from keras.models import Model

# 主要的输入接收新闻本身，即一个整数的序列（每个整数编码了一个词）。这些整数位于1到10，000之间（即我们的字典有10，000个词）。这个序列有100个单词。
# 我们可以通过“name”定义任何层
main_input = Input(shape=(100,), dtype='int32', name='main_input')

# 这个embedding层将输入序列转化成512-dimensional向量
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

#LSTM将向量序列转换成包含整个序列信息的单一向量
lstm_out = LSTM(32)(x)

#然后，我们插入一个额外的损失，使得即使在主损失很高的情况下，LSTM和Embedding层也可以平滑的训练。
auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

#再然后，我们将LSTM与额外的输入数据串联起来组成输入，送入模型中：
auxiliary_input = Input(shape=(5,), name='aux_input')
x = merge([lstm_out, auxiliary_input], mode='concat')

# 我们在上面堆叠一个深度全连接层
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# 然后我们添加main逻辑回归层
main_output = Dense(1, activation='sigmoid', name='main_output')(x)

#最后，我们定义整个2输入，2输出的模型：
model = Model(input=[main_input, auxiliary_input], output=[main_output, auxiliary_output])

#模型定义完毕，下一步编译模型。我们给额外的损失赋0.2的权重。我们可以通过关键字参数loss_weights或loss来为不同的输出设置不同的损失函数或权值。这两个参数均可为Python的列表或字典。这里我们给loss传递单个损失函数，这个损失函数会被应用于所有输出上。
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[1., 0.2])

#编译完成后，我们通过传递训练数据和目标值训练该模型：
model.fit([headline_data, additional_data], [labels, labels],
          nb_epoch=50, batch_size=32)


#因为我们输入和输出是被命名过的（在定义时传递了“name”参数），我们也可以用下面的方式编译和训练模型：
model.compile(optimizer='rmsprop',
              loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
              loss_weights={'main_output': 1., 'aux_output': 0.2})
# 训练
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': labels, 'aux_output': labels},
          nb_epoch=50, batch_size=32)

layer.get_weights()：返回层的权重（numpy array）
layer.set_weights(weights)：从numpy array中将权重加载到该层中，要求numpy array的形状与layer.get_weights()的形状相同
layer.get_config()：返回当前层配置信息的字典，层也可以借由配置信息重构

如果层仅有一个计算节点（即该层不是共享层），则可以通过下列方法获得输入张量、输出张量、输入数据的形状和输出数据的形状：

layer.input
layer.output
layer.input_shape
layer.output_shape
如果该层有多个计算节点。可以使用下面的方法

layer.get_input_at(node_index)
layer.get_output_at(node_index)
layer.get_input_shape_at(node_index)
layer.get_output_shape_at(node_index)

a = Input(shape=(140, 256))

lstm = LSTM(32)
encoded_a = lstm(a)

assert lstm.output == encoded_a

a = Input(shape=(140, 256))
b = Input(shape=(140, 256))

lstm = LSTM(32)
encoded_a = lstm(a)
encoded_b = lstm(b)

lstm.output

assert lstm.get_output_at(0) == encoded_a
assert lstm.get_output_at(1) == encoded_b

a = Input(shape=(3, 32, 32))
b = Input(shape=(3, 64, 64))

conv = Convolution2D(16, 3, 3, border_mode='same')
conved_a = conv(a)

# 这里只有一个输入，所以可以使用下面代码
assert conv.input_shape == (None, 3, 32, 32)

conved_b = conv(b)
# 这里有两个输入了，所以必须使用以下代码
assert conv.get_input_shape_at(0) == (None, 3, 32, 32)
assert conv.get_input_shape_at(1) == (None, 3, 64, 64)