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,Activation
model.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 Model
inputs = 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_crossentropyoptimizer
:字符串类型,用来指定优化方式,如:rmsprop,adam,sgdmetrics
: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)