Keras學(xué)習(xí)

一、Keras Sequential順序模型

1.模型構(gòu)建

用keras定義的網(wǎng)絡(luò)模型有兩種方式：

• sequential 順序模型

• keras 函數(shù)式 API模型

1）順序模型

from keras.models import Sequential
import keras
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
?
model = Sequential([keras.layers.Dense(32, input_shape=(784, )),
                    keras.layers.Activation('relu'),
                    keras.layers.Dense(10),
                    keras.layers.Activation('softmax')])
# 等價于以下方法構(gòu)建的順序模型
model = Sequential()
model.add(keras.layers.Dense(32, input_shape=(784, ), activation='relu'))
# 或者為model.add(keras.layers.Dense(32, input_dim=784, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax'))

其中Dense的幾個參數(shù)：

• activation: 激活函數(shù)

• kernel_initializer和bias_initializer: 權(quán)重和偏置項(xiàng)的初始化方案

• kernel_regularizer.l1/l2和bias_regularizer.l1/l2: 權(quán)重和偏置項(xiàng)的正則方案，L1或L2

2）函數(shù)式模型

# 函數(shù)式模型
a = keras.layers.Input(shape=(32, ))
b = keras.layers.Dense(32)(a)
c = keras.layers.Dense(10)(b)
model = keras.models.Model(inputs=[a, b], outputs=c)

2.模型編譯

無論是對怎樣的問題，我們都通過compile()的方法

其中的一些參數(shù)：

• optimizer #優(yōu)化器，利用其性質(zhì)，找到使損失函數(shù)值最小的最優(yōu)值

• loss #損失函數(shù)，模型視圖最小化的目標(biāo)函數(shù)

• metric #評判標(biāo)準(zhǔn)，對于分類問題，一般我們定義為accuracy，當(dāng)然，也可以變?yōu)槠渌?/span>

# 模型編譯
# 多分類問題
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
?
# 二分類問題
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
?
# 均方誤差回歸問題
model.compile(optimizer='rmsprop',
              loss='mse')
?
# 自定義評估標(biāo)準(zhǔn)函數(shù)
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])

可用的優(yōu)化器：

• SGD

• RMSprop

• Adam

• Adadelta

• Adagrad

• Adamax

• Nadam

• Ftrl

在模型訓(xùn)練后，如果想觀察其網(wǎng)絡(luò)結(jié)構(gòu)，我們可以用model.summary()，并用print(model.output_shape)打印模型的輸出。

3.模型訓(xùn)練

上面介紹的兩種模型，無論是何種模型，我們在訓(xùn)練其模型時都是使用fit()函數(shù)進(jìn)行訓(xùn)練

# 模型訓(xùn)練
model.fit(data, labels, epochs=5, batch_size=32)

4.模型評估

1）evaluate #評估模型，返回?cái)?shù)據(jù)的相關(guān)誤差

# 模型評估
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=100, verbose=1, sample_weight=None, steps=None)

其中參數(shù)介紹：

• x_train #測試數(shù)據(jù)的numpy數(shù)組

• y_train #測試數(shù)據(jù)的標(biāo)簽的numpy數(shù)組或列表

• batch_size #表示每次評估的樣本數(shù)，數(shù)據(jù)類型必須是整形或者為空，空則默認(rèn)32

• verbose #0或1，0就是安靜模式，1就是進(jìn)度條模式

• steps #聲明評估結(jié)束之前的總步數(shù)，默認(rèn)為空

2）predict #為輸入的樣本生成輸出預(yù)測

classes = model.predict(x_test, batch_size=100, verbose=0, steps=None)

其參數(shù)與上述參數(shù)差不多，這里不細(xì)講。