Keras學習 1 使用keras建立序列模型

2021-09-02 23:21:26 字數 3412 閱讀 5149

keras學習 1 使用keras建立序列模型

sequential model就是一些列layers的簡單堆疊。首先， 我們建立乙個簡單的前向全連線網路。輸入維度784

from keras.models import sequential


from keras.layers import dense, activation


model = sequential([


dense(32, input_shape=(784,)),


activation('relu'),


dense(10),


activation('softmax'),


])
我們也可以通過.add直接新增新的網路層。

model = sequential()


model.add(dense(32, input_dim=784))


model.add(activation('relu'))
這個模型需要知道所處理的輸入資料的維度，所以第一層也只有第一層需要知道輸入資料的維度。因為之後的網路層可以推斷所處理的維度。有幾種方式傳入輸入資料的維度。

1.傳入input_shape給第一層。 它必須是整數或者是none，none代表任意整數。但是input_shape並沒有包括batch的維度。

2.一些二維的網路層，支援input_dim來定義維度，如dense，三維的可以通過input_dim 和 input_length。

3。如果需要定義batch維度，可以傳入batch_size。如果傳入batch_size=32和input_shape=(6,8)，等價於每乙個batch的形狀都是（32，6，8）.

model = sequential()


model.add(dense(32, input_dim=784))
model = sequential()


model.add(dense(32, input_shape=(784,)))
這兩個add等價

在訓練之前，需要通過compile method來定義訓練過程。它有三個引數：

1.優化器optimizer。

2.損失函式 loss function。

3. 一些評價指標。如accuracy等。

# for a multi-class classification problem


model.compile(optimizer='rmsprop', #可以選擇其他的optimizer


loss='categorical_crossentropy',#因為多分類問題選擇categorical


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')


# for custom metrics


import keras.backend as k


def mean_pred(y_pred):


return k.mean(y_pred)


model.compile(optimizer='rmsprop',


loss='binary_crossentropy',


metrics=['accuracy', mean_pred])
訓練過程使用fit函式

# 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)
使用乙個mlp做例子，二元分類問題。

import numpy as np


from keras.models import sequential


from keras.layers import dense, dropout


# generate dummy data


x_train = np.random.random((1000, 20))


y_train = np.random.randint(2, size=(1000, 1))


x_test = np.random.random((100, 20))


y_test = np.random.randint(2, size=(100, 1))


model = sequential()


model.add(dense(64, input_dim=20, activation='relu'))


model.add(dropout(0.5))


model.add(dense(64, activation='relu'))


model.add(dropout(0.5))


model.add(dense(1, activation='sigmoid'))


model.compile(loss='binary_crossentropy',


optimizer='rmsprop',


metrics=['accuracy'])


model.fit(x_train, y_train,


epochs=20,


batch_size=128)


score = model.evaluate(x_test, y_test, batch_size=128)

Keras學習之路 1

用keras實現異 剛剛看了keras的說明，想著簡單用keras實現一下這個神經網路。from keras.models import sequential from keras.layers import dense,activation,dropout import numpy as np x...

keras學習筆記1 Keras模組概述

keras主要包括14個模組，本文主要對models layers initializations activations objectives optimizers preprocessing metrics共計8個模組分別展開介紹，並通過乙個簡單的bp神經網路說明各個模組的作用。1.model ...

keras初步學習

import os os.environ keras backend theano import keras 這樣就可以將keras依賴於theano using theano backend.2.曲線擬合 importos os.environ keras backend theano impor...