溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下Keras中Sequential和Model的案例分析，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！
在Keras中有兩種深度學習的模型：序列模型（Sequential）和通用模型（Model）。差異在于不同的拓撲結構。
序列模型 Sequential
序列模型各層之間是依次順序的線性關系，模型結構通過一個列表來制定。
from keras.models import Sequential
from keras.layers import Dense, Activation
layers = [Dense(32, input_shape = (784,)),
Activation('relu'),
Dense(10),
Activation('softmax')]
model = Sequential(layers)或者逐層添加網絡結構
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(32, input_shape = (784,)))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))通用模型Model
通用模型可以設計非常復雜、任意拓撲結構的神經網絡，例如有向無環網絡、共享層網絡等。相比于序列模型只能依次線性逐層添加，通用模型能夠比較靈活地構造網絡結構，設定各層級的關系。
from keras.layers import Input, Dense from keras.models import Model # 定義輸入層，確定輸入維度 input = input(shape = (784, )) # 2個隱含層，每個都有64個神經元，使用relu激活函數，且由上一層作為參數 x = Dense(64, activation='relu')(input) x = Dense(64, activation='relu')(x) # 輸出層 y = Dense(10, activation='softmax')(x) # 定義模型，指定輸入輸出 model = Model(input=input, output=y) # 編譯模型，指定優化器，損失函數，度量 model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) # 模型擬合，即訓練 model.fit(data, labels)
補充知識：keras神經網絡，Sequential序貫模型（二分類、多分類）
1 Sequential參數
model = Sequential() model.add(Dense(32, input_dim=78))
解釋：
Sequential 的第一個關于輸入數據shape的參數，后邊的各個層則可以自動推到出中間數據的shape
01 傳遞一個input_shape的關鍵字參數給第一層，如果填入None則表示此位置可能是任何正整數。數據的batch大小不應包含在其中。
02 有些2D層，如Dense，支持通過指定其輸入維度input_dim來隱含的指定輸入數據shape,是一個Int類型的數據。一些3D的時域層支持通過參數input_dim和input_length來指定輸入shape。
03 如果你需要為輸入指定一個固定大小的batch_size（常用于stateful RNN網絡），可以傳遞batch_size參數到一個層中，例如你想指定輸入張量的batch大小是32，數據shape是（6，8），則你需要傳遞batch_size=32和input_shape=(6,8)。
2、compile配置學習過程
model.compile(optimizer='rmspropy',loss='categorical_crossentropy',metrics=['accuracy'])
01 優化器optimizer：
該參數可指定為已預定義的優化器名，如rmsprop、adagrad，或一個Optimizer類的對象。
02 損失函數loss：
該參數為模型試圖最小化的目標函數，它可為預定義的損失函數名，如categorical_crossentropy、mse，也可以為一個損失函數。
03 指標列表metrics：
對分類問題，我們一般將該列表設置為metrics=['accuracy']。指標可以是一個預定義指標的名字,也可以是一個用戶定制的函數.指標函數應該返回單個張量,或一個完成metric_name - > metric_value映射的字典.
3、案例
01 基于多層感知器Softmax多分類（圖片）
from keras.models import Sequential
from keras.layers import Dense,Dropout,Activation
from keras.optimizers import SGD
import keras #abd
# Generate dummy data
import numpy as np
x_train=np.random.random((1000,20))
y_train=keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)
x_test=np.random.random((100,20))
y_test=keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10)
model=Sequential()
# Dense(64) is a fully-connected Layer with 64 hidden units.
# in the first layer ,you must specify the expected input data shape;
# here,20-dimensional vectors.
model.add(Dense(64,activation='relu',input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))
sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(loss='categorical_crossentropy', # 損失函數
optimizer=sgd, #
metrics=['accuracy'] # 精確度，評估模型在訓練和測試時的網絡性能的指標。
)
model.fit(x_train,y_train,epochs=20,batch_size=128)
# batch_size 整數，指定進行梯度下降時每個批次包含的樣本數訓練時一個批次的樣本
# 會被計算一次梯度下降，使目標函數進行一步優化
# epochs；訓練20次，整數，訓練終止時候的epoch值
score=model.evaluate(x_test,y_test,batch_size=128)
# 評估函數 ，本函數返回一個測試誤差的標量值（如果模型沒有其他評價指標）。02 MLP的二分類
import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Dropout
x_train=np.random.random((1000,20))
y_train=keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)
x_test=np.random.random((100,20))
y_test=keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10)
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,
epoches=20,
batch_size=128)
score=model.evaluate(x_test,y_test,batch_size=128)看完了這篇文章，相信你對Keras中Sequential和Model的案例分析有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
