深度學習：Keras入門(一)之基礎篇

• ?1.Keras搭建神經網絡:

????? Keras有兩種類型的模型，序貫模型（Sequential）和函數式模型（Model），函數式模型應用更為廣泛，序貫模型是函數式模型的一種特殊情況。?

a）序貫模型（Sequential):單輸入單輸出，一條路通到底，層與層之間只有相鄰關系，沒有跨層連接。這種模型編譯速度快，操作也比較簡單

b）函數式模型（Model）：多輸入多輸出，層與層之間任意連接。這種模型編譯速度慢。

• 2.代碼示例: from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activation from keras.optimizers import SGD from keras.datasets import mnist import numpy '''第一步：選擇模型 ''' model = Sequential() '''第二步：構建網絡層 ''' model.add(Dense(500,input_shape=(784,))) # 輸入層，28*28=784 model.add(Activation('tanh')) # 激活函數是tanh model.add(Dropout(0.5)) # 采用50%的dropoutmodel.add(Dense(500)) # 隱藏層節點500個 model.add(Activation('tanh')) model.add(Dropout(0.5))model.add(Dense(10)) # 輸出結果是10個類別，所以維度是10 model.add(Activation('softmax')) # 最后一層用softmax作為激活函數'''第三步：編譯 ''' sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 優化函數，設定學習率（lr）等參數 model.compile(loss='categorical_crossentropy', optimizer=sgd, class_mode='categorical') # 使用交叉熵作為loss函數'''第四步：訓練.fit的一些參數batch_size：對總的樣本數進行分組，每組包含的樣本數量epochs ：訓練次數shuffle：是否把數據隨機打亂之后再進行訓練validation_split：拿出百分之多少用來做交叉驗證verbose：屏顯模式 0：不輸出 1：輸出進度 2：輸出每次的訓練結果 ''' (X_train, y_train), (X_test, y_test) = mnist.load_data() # 使用Keras自帶的mnist工具讀取數據（第一次需要聯網） # 由于mist的輸入數據維度是(num, 28, 28)，這里需要把后面的維度直接拼起來變成784維 X_train = X_train.reshape(X_train.shape[0], X_train.shape[1] * X_train.shape[2]) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1] * X_test.shape[2]) Y_train = (numpy.arange(10) == y_train[:, None]).astype(int) Y_test = (numpy.arange(10) == y_test[:, None]).astype(int)model.fit(X_train,Y_train,batch_size=200,epochs=50,shuffle=True,verbose=0,validation_split=0.3) model.evaluate(X_test, Y_test, batch_size=200, verbose=0)'''第五步：輸出 ''' print("test set") scores = model.evaluate(X_test,Y_test,batch_size=200,verbose=0) print("") print("The test loss is %f" % scores) result = model.predict(X_test,batch_size=200,verbose=0)result_max = numpy.argmax(result, axis = 1) test_max = numpy.argmax(Y_test, axis = 1)result_bool = numpy.equal(result_max, test_max) true_num = numpy.sum(result_bool) print("") print("The accuracy of the model is %f" % (true_num/len(result_bool)))

  ?

總結

以上是生活随笔為你收集整理的深度学习：Keras基础--序贯模型（sequential）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。