【Keras】序贯模型Sequential学习笔记

序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。

1、通过Sequential构建模型
可以通过向Sequential模型传递一个layer的list来构造该模型：

#导入序贯模型
from keras.models import Sequential
#导入神经网络前向传播层结构和激活函数
from keras.layers import Dense,Activation
#可以通过向Sequential传递一个layer的list来构造该模型
#model = Sequential([Dense(units = 32,input_shape(784,)),Activation('relu'),Dense(10),Activation('softmax')])'''
在构建神经网络模型的时候，初始必须指定输入数据的列维度；
可以用input_dim指定数据的列数，后者input_shape的方式指定输入的shape；
如果是3D的数据，支持参数input_dim和input_length来指定输入的shape；
'''

也可以通过.add()方法一个个的将layer加入模型中：

#也可以通过.add()方法一个个的将layer加入模型中：
model = Sequential()
model.add(Dense(units = 32,input_shape(784,)))
#model.add(Dense(units = 32,input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

2、编译模型
在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象
损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy交叉熵、mse均方差，也可以为一个损失函数。
指标列表metrics：对分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name- > metric_value映射的字典.

# For a multi-class classification problem 多元分类问题
model.compile(optimizer='rmsprop',loss = 'categorical_crossentropy',metrics=['accuracy'])
# For a binary classification problem 二元分类问题
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
# For a mean squared error regression problem 均方误差回归
model.compile(optimizer='rmsprop',loss='mse')
# For custom metrics
import keras.backend as K
def mean_pred(y_true, y_pred):return K.mean(y_pred)model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy', mean_pred])

3、训练模型：
Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数。

# For a single-input model with 10 classes (categorical classification):
# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
#labels = np.random.randint(10, size=(1000, 1))
#将标签生成one_hot编码，使用keras.utils.to_categorical函数
labels = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
print(labels)
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)

【Keras】序贯模型Sequential学习笔记相关推荐

Keras —— 序贯模型和函数式模型
序贯模型序贯模型是多个网络层的线性堆叠,是函数式模型的简略版,为最简单的线性.从头到尾的结构顺序,不发生分叉. 1.应用序贯模型的基本步骤 model.add,添加层: model.compile, ...
Keras学习笔记（一）认识序贯（Sequential）模型
Keras由纯Python编写而成并基Tensorflow.Theano以及CNTK后端.Keras 为支持快速实验而生,能够把你的idea迅速转换为结果,它的可读性非常强!笔者在这参考了中文文档给自 ...
浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）
浅谈深度学习:LSTM对股票的收益进行预测(Sequential 序贯模型,Keras实现) 总包含文章: 一个完整的机器学习模型的流程浅谈深度学习:了解RNN和构建并预测浅谈深度学习:基于对LS ...
深度学习：Keras基础--序贯模型（sequential）
深度学习:Keras入门(一)之基础篇 1.Keras搭建神经网络: Keras有两种类型的模型,序贯模型(Sequential)和函数式模型(Model),函数式模型应用更为广泛,序贯模型是函数式模 ...
Python机器学习笔记：深入理解Keras中序贯模型和函数模型
先从sklearn说起吧,如果学习了sklearn的话,那么学习Keras相对来说比较容易.为什么这样说呢? 我们首先比较一下sklearn的机器学习大致使用流程和Keras的大致使用流程: skl ...
Keras【Deep Learning With Python】—Keras实现序贯模型
文章目录 Sequential 程序说明代码实现运行结果 Sequential 初步了解了tensorflow以后,发现了基于tensorflow的非常简洁的深度学习框架keras,只需要短短几行 ...
MATLAB simulink 模型验证学习笔记
MATLAB simulink 模型验证学习笔记一.静态验证 1.Model Advisor 模型验证意思是用matlab自带的规范检查工具来检查自己画的模型是否符合规范. 进行模型验证需要用到的模 ...
MPC模型预测控制学习笔记-2021.10.27
MPC模型预测控制学习笔记-点击目录就可以跳转 1. 笔者介绍 2. 参考资料 3. MPC分类 4. 数据的标准化与归一化 5. MATLAB-MPC学习笔记 5.1 获取测试信号:gensig( ...
Java虚拟机(JVM)与Java内存模型(JMM)学习笔记
Java虚拟机[JVM]与Java内存模型[JMM]学习笔记 Java虚拟机(JVM) 三种JVM JVM 位置 JVM的主要组成部分及其作用类加载器双亲委派机制沙箱安全机制 Java本地接口( ...

【Keras】序贯模型Sequential学习笔记

【Keras】序贯模型Sequential学习笔记相关推荐

最新文章

热门文章