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

大家好，又见面了，我是你们的朋友全栈君。

Keras Model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
      • input shape 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'),
])

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_dim 和 input_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或自定义度量函数。

# 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 Integer 或 None，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：全栈程序员栈长，转载请注明出处：https://javaforall.cn/234882.html原文链接：https://javaforall.cn