深入學(xué)習(xí)Keras中Sequential模型及方法 - 戰(zhàn)爭(zhēng)熱誠(chéng) - bky https://www.cnblogs.com/wj-1314/p/9579490.html

Sequential 序貫?zāi)Ｐ?/h2>

序貫?zāi)Ｐ褪呛瘮?shù)式模型的簡(jiǎn)略版，為最簡(jiǎn)單的線性、從頭到尾的結(jié)構(gòu)順序，不分叉，是多個(gè)網(wǎng)絡(luò)層的線性堆疊。

Keras實(shí)現(xiàn)了很多層，包括core核心層，Convolution卷積層、Pooling池化層等非常豐富有趣的網(wǎng)絡(luò)結(jié)構(gòu)。

我們可以通過(guò)將層的列表傳遞給Sequential的構(gòu)造函數(shù)，來(lái)創(chuàng)建一個(gè)Sequential模型。

from keras.models import Sequential from keras.layers import Dense, Activationmodel = Sequential([Dense(32, input_shape=(784,)),Activation('relu'),Dense(10),Activation('softmax'), ])

也可以使用.add()方法將各層添加到模型中：

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

指定輸入數(shù)據(jù)的尺寸

模型需要知道它所期待的輸入的尺寸（shape）。出于這個(gè)原因，序貫?zāi)Ｐ椭械?strong>第一層（只有第一層，因?yàn)橄旅娴膶涌梢宰詣?dòng)的推斷尺寸）需要接收關(guān)于其輸入尺寸的信息，后面的各個(gè)層則可以自動(dòng)的推導(dǎo)出中間數(shù)據(jù)的shape，因此不需要為每個(gè)層都指定這個(gè)參數(shù)。有以下幾種方法來(lái)做到這一點(diǎn)：

• 傳遞一個(gè)input_shape參數(shù)給第一層。它是一個(gè)表示尺寸的元組（一個(gè)整數(shù)或None的元組，其中None表示可能為任何正整數(shù)）。在input_shape中不包含數(shù)據(jù)的batch大小。
• 某些 2D 層，例如 Dense，支持通過(guò)參數(shù) input_dim 指定輸入尺寸，某些 3D 時(shí)序?qū)又С?input_dim 和
  input_length 參數(shù)。
• 如果你需要為你的輸入指定一個(gè)固定的 batch 大小（這對(duì) stateful RNNs 很有用），你可以傳遞一個(gè) batch_size
  參數(shù)給一個(gè)層。如果你同時(shí)將 batch_size=32 和 input_shape=(6, 8)
  傳遞給一個(gè)層，那么每一批輸入的尺寸就為 (32，6，8)。

因此下面的代碼是等價(jià)的。

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

下面三種方法也是嚴(yán)格等價(jià)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))

編譯

在訓(xùn)練模型之前，我們需要配置學(xué)習(xí)過(guò)程，這是通過(guò)compile方法完成的，他接收三個(gè)參數(shù)：

• 優(yōu)化器 optimizer：它可以是現(xiàn)有優(yōu)化器的字符串標(biāo)識(shí)符，如 rmsprop 或 adagrad，也可以是 Optimizer
  類(lèi)的實(shí)例。詳見(jiàn)：optimizers。
• 損失函數(shù) loss：模型試圖最小化的目標(biāo)函數(shù)。它可以是現(xiàn)有損失函數(shù)的字符串標(biāo)識(shí)符，如 categorical_crossentropy 或
  mse，也可以是一個(gè)目標(biāo)函數(shù)。詳見(jiàn)：losses。
• 評(píng)估標(biāo)準(zhǔn) metrics：對(duì)于任何分類(lèi)問(wèn)題，你都希望將其設(shè)置為 metrics =
  [‘a(chǎn)ccuracy’]。評(píng)估標(biāo)準(zhǔn)可以是現(xiàn)有的標(biāo)準(zhǔn)的字符串標(biāo)識(shí)符，也可以是自定義的評(píng)估標(biāo)準(zhǔn)函數(shù)。

# 多分類(lèi)問(wèn)題 model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])# 二分類(lèi)問(wèn)題 model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])# 均方誤差回歸問(wèn)題 model.compile(optimizer='rmsprop',loss='mse')# 自定義評(píng)估標(biāo)準(zhǔn)函數(shù) import keras.backend as Kdef mean_pred(y_true, y_pred):return K.mean(y_pred)model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy', mean_pred])

方法compile見(jiàn)此篇文章：
【tensorflow】Sequential 模型方法 compile， model.compile_電子生醫(yī)小白的博客-CSDN博客 https://blog.csdn.net/m0_53732376/article/details/117042962

總結(jié)

以上是生活随笔為你收集整理的【tensorflow】Sequential 模型方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。