Tensorflow中Sequential model

sequential模型适用于简单堆叠网络层（a plain stack of layers），及每一层只有一个输入和一个输出：
不推荐使用建议使用函数式，子类模型

几种创建sequential模型的方法：


# 1.
model = keras.Sequential([layers.Dense(2, activation="relu", name="layer1"),layers.Dense(3, activation="relu", name="layer2"),layers.Dense(4, name="layer3"),]
)
x = tf.ones((3, 3))#第一个3理解为batch
y = model(x)
# 2.
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")
# 3.
model = keras.Sequential(name="my_sequential")
model.add(layers.Dense(2, activation="relu", name="layer1"))
model.add(layers.Dense(3, activation="relu", name="layer2"))
model.add(layers.Dense(4, name="layer3"))

通常想要查看sequential模型，必须给模型传入一个输入例如：

model = keras.Sequential([layers.Dense(2, activation="relu"),layers.Dense(3, activation="relu"),layers.Dense(4),]
)
# 此时输入model.summary()，model.weights都会报错
# 必须给模型一个输入参数
x = tf.ones((1, 4))  #参数1理解为batch
y = model(x)
print("Number of weights after calling the model:", len(model.weights))  # 6
（改进）可以在创建model时，就传入输入：
model = keras.Sequential()
model.add(keras.Input(shape=(4,)))#注意此时的输入的shape和上面情况对比
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4,))
（改进）：
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu", input_shape=(4,)))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4,))

提取sequential创建网络的某一层：

initial_model = keras.Sequential([keras.Input(shape=(250, 250, 3)),layers.Conv2D(32, 5, strides=2, activation="relu"),layers.Conv2D(32, 3, activation="relu", name="my_intermediate_layer"),layers.Conv2D(32, 3, activation="relu"),]
)
feature_extractor = keras.Model(inputs=initial_model.inputs,outputs=initial_model.get_layer(name="my_intermediate_layer").output,
x = tf.ones((1, 250, 250, 3))
features = feature_extractor(x)

sequential转移学习框架

model = keras.Sequential([keras.Input(shape=(784))layers.Dense(32, activation='relu'),layers.Dense(10),
])
#模型加载已训练好的参数
model.load_weights(...)
#除了最后一层 其他层都不用训练
for layer in model.layers[:-1]:layer.trainable = False
model.compile(...)
model.fit(...)

Tensorflow中Sequential model相关推荐

[tensorflow]tensorflow 顺序模型（Sequential model）
注意:采用tensorflow 2.1.0 1.适用顺序模型的情况顺序模型适用于简单的层堆栈,其中每一层正好具有一个输入张量和一个输出张量. 例如: import tensorflow as tf ...
【tensorflow】Sequential 模型方法 compile， model.compile
Sequential 顺序模型 API - Keras 中文文档 https://keras.io/zh/models/sequential/ Sequential 序贯模型序贯模型是函数式模型的简 ...
【tf.keras】tf.keras使用tensorflow中定义的optimizer
我的 tensorflow+keras 版本: print(tf.VERSION) # '1.10.0' print(tf.keras.__version__) # '2.1.6-tf' tf.ker ...
【tensorflow】Sequential 模型方法
深入学习Keras中Sequential模型及方法 - 战争热诚 - bky https://www.cnblogs.com/wj-1314/p/9579490.html Sequential 序贯模 ...
tensorflow包_在Keras和Tensorflow中使用深度卷积网络生成Meme（表情包）文本
作者 | dylan wenzlau 来源 | Medium 编辑 | 代码医生团队本文介绍如何构建深度转换网络实现端到端的文本生成.在这一过程中,包括有关数据清理,训练,模型设计和预测算法相关的内 ...
SELU︱在keras、tensorflow中使用SELU激活函数
arXiv 上公开的一篇 NIPS 投稿论文<Self-Normalizing Neural Networks>引起了圈内极大的关注,它提出了缩放指数型线性单元(SELU)而引进了自归一化 ...
TensorFlow中的Keras用法和自定义模型和层
Keras Keras 是一个用于构建和训练深度学习模型的高阶 API.它可用于快速设计原型.高级研究和生产,具有以下三个主要优势: 方便用户使用 Keras 具有针对常见用例做出优化的简单而一致的界 ...
Tensorflow中的多层感知器学习
Tensorflow中的多层感知器学习在这篇文章中,我们将了解多层感知器的概念和它在Python中使用TensorFlow库的实现. 多层感知多层感知也被称为MLP.它是完全连接的密集层,可以将任 ...
【Tensorflow2.0】tensorflow中的Dense函数解析
目录 1 作用 2 例子 3 与torch.nn.Linear的区别 4 参考文献 1 作用注意此处Tensorflow版本是2.0+. 由于本人是Pytorch用户,对Tensorflow不是很熟 ...

Tensorflow中Sequential model

Tensorflow中Sequential model相关推荐

最新文章

热门文章