Keras 模型

2021-10-15 14:52 更新

如前所述，Keras 模型代表了實(shí)際的神經(jīng)網(wǎng)絡(luò)模型。Keras 提供了兩種模式來創(chuàng)建模型，簡單易用的 Sequential API 以及更靈活和高級的 Functional API?，F(xiàn)在讓我們學(xué)習(xí)如何在本章中使用 Sequential 和 Functional API 創(chuàng)建模型。

線性(Sequential)

Sequential API的核心思想是簡單地按順序排列 Keras 層，因此稱為Sequential API。大多數(shù)ANN還具有按順序排列的層，數(shù)據(jù)以給定的順序從一層流向另一層，直到數(shù)據(jù)最終到達(dá)輸出層。

可以通過簡單地調(diào)用Sequential() API來創(chuàng)建 ANN 模型，如下所示：

from keras.models import Sequential 
model = Sequential()

添加圖層

要添加一個層，只需使用 Keras 層 API 創(chuàng)建一個層，然后通過 add() 函數(shù)傳遞該層，如下所示:

from keras.models import Sequential 


model = Sequential() 
input_layer = Dense(32, input_shape=(8,)) model.add(input_layer) 
hidden_layer = Dense(64, activation='relu'); model.add(hidden_layer) 
output_layer = Dense(8) 
model.add(output_layer)

在這里，我們創(chuàng)建了一個輸入層、一個隱藏層和一個輸出層

訪問模型

Keras 提供了一些方法來獲取模型信息，如層、輸入數(shù)據(jù)和輸出數(shù)據(jù)。它們?nèi)缦拢?/p>

  • model.layers 將模型的所有層作為列表返回。 
    >>> layers = model.layers 
>>> layers 
[
<keras.layers.core.Dense object at 0x000002C8C888B8D0>, 
<keras.layers.core.Dense object at 0x000002C8C888B7B8>
<keras.layers.core.Dense object at 0x 000002C8C888B898>
]
  • model.inputs 將模型的所有輸入張量作為列表返回。 
    >>> inputs = model.inputs 
>>> inputs 
[<tf.Tensor 'dense_13_input:0' shape=(?, 8) dtype=float32>]
  • model.outputs 將模型的所有輸出張量作為列表返回。 
    >>> outputs = model.outputs 
>>> outputs 
<tf.Tensor 'dense_15/BiasAdd:0' shape=(?, 8) dtype=float32>]
  • model.get_weights 將所有權(quán)重作為 NumPy 數(shù)組返回。
  • model.set_weights(weight_numpy_array) 設(shè)置模型的權(quán)重。

序列化模型

Keras 提供了將模型序列化為對象以及 json 并稍后再次加載的方法。它們?nèi)缦?

  • get_config() IReturns 模型作為一個對象。 
    config = model.get_config()
  • from_config() 它接受模型配置對象作為參數(shù)并相應(yīng)地創(chuàng)建模型。 
    new_model = Sequential.from_config(config)
  • to_json() 將模型作為 json 對象返回。 
    >>> json_string = model.to_json() 
>>> json_string '{"class_name": "Sequential", "config": 
{"name": "sequential_10", "layers": 
[{"class_name": "Dense", "config": 
{"name": "dense_13", "trainable": true, "batch_input_shape": 
[null, 8], "dtype": "float32", "units": 32, "activation": "linear", 
"use_bias": true, "kernel_initializer": 
{"class_name": "Vari anceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}},
"bias_initializer": {"class_name": "Zeros", "conf 
ig": {}}, "kernel_regularizer": null, "bias_regularizer": null, 
"activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, 
{" class_name": "Dense", "config": {"name": "dense_14", "trainable": true, 
"dtype": "float32", "units": 64, "activation": "relu", "use_bias": true, 
"kern el_initializer": {"class_name": "VarianceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, 
"bias_initia lizer": {"class_name": "Zeros", 
"config": {}}, "kernel_regularizer": null, "bias_regularizer": null, 
"activity_regularizer": null, "kernel_constraint" : null, "bias_constraint": null}}, 
{"class_name": "Dense", "config": {"name": "dense_15", "trainable": true, 
"dtype": "float32", "units": 8, "activation": "linear", "use_bias": true, 
"kernel_initializer": {"class_name": "VarianceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": " uniform", "seed": null}}, 
"bias_initializer": {"class_name": "Zeros", "config": {}}, 
"kernel_regularizer": null, "bias_regularizer": null, "activity_r egularizer": 
null, "kernel_constraint": null, "bias_constraint": 
null}}]}, "keras_version": "2.2.5", "backend": "tensorflow"}' 
>>>
  • model_from_json() 接受模型的 json 表示并創(chuàng)建一個新模型。 
    from keras.models import model_from_json 
new_model = model_from_json(json_string)
  • to_yaml() 將模型作為 yaml 字符串返回。 
    >>> yaml_string = model.to_yaml() 
>>> yaml_string 'backend: tensorflow\nclass_name: 
Sequential\nconfig:\n layers:\n - class_name: Dense\n config:\n 
activation: linear\n activity_regular izer: null\n batch_input_shape: 
!!python/tuple\n - null\n - 8\n bias_constraint: null\n bias_initializer:\n 
class_name : Zeros\n config: {}\n bias_regularizer: null\n dtype: 
float32\n kernel_constraint: null\n 
kernel_initializer:\n cla ss_name: VarianceScaling\n config:\n 
distribution: uniform\n mode: fan_avg\n 
scale: 1.0\n seed: null\n kernel_regularizer: null\n name: dense_13\n 
trainable: true\n units: 32\n 
use_bias: true\n - class_name: Dense\n config:\n activation: relu\n activity_regularizer: null\n 
bias_constraint: null\n bias_initializer:\n class_name: Zeros\n 
config : {}\n bias_regularizer: null\n dtype: float32\n 
kernel_constraint: null\n kernel_initializer:\n class_name: VarianceScalin g\n 
config:\n distribution: uniform\n mode: fan_avg\n scale: 1.0\n 
seed: null\n kernel_regularizer: nu ll\n name: dense_14\n trainable: true\n 
units: 64\n use_bias: true\n - class_name: Dense\n config:\n 
activation: linear\n activity_regularizer: null\n 
bias_constraint: null\n bias_initializer:\n 
class_name: Zeros\n config: {}\n bias_regu larizer: null\n 
dtype: float32\n kernel_constraint: null\n 
kernel_initializer:\n class_name: VarianceScaling\n config:\n 
distribution: uniform\n mode: fan_avg\n 
scale: 1.0\n seed: null\n kernel_regularizer: null\n name: dense _15\n 
trainable: true\n units: 8\n 
use_bias: true\n name: sequential_10\nkeras_version: 2.2.5\n' 
>>>
  • model_from_yaml() 接受模型的 yaml 表示并創(chuàng)建一個新模型。 
    model_from_yaml() - 接受模型的 yaml 表示并創(chuàng)建一個新模型。

總結(jié)模型

理解模型是正確使用模型進(jìn)行訓(xùn)練和預(yù)測的非常重要的階段。Keras 提供了一種簡單的方法，摘要來獲取有關(guān)模型及其層的完整信息。

上一節(jié)中創(chuàng)建的模型摘要如下:

>>> model.summary() Model: "sequential_10" 
_________________________________________________________________ 
Layer (type) Output Shape Param 
#================================================================ 
dense_13 (Dense) (None, 32) 288 
_________________________________________________________________ 
dense_14 (Dense) (None, 64) 2112 
_________________________________________________________________ 
dense_15 (Dense) (None, 8) 520 
================================================================= 
Total params: 2,920 
Trainable params: 2,920 
Non-trainable params: 0 
_________________________________________________________________ 
>>>

訓(xùn)練和預(yù)測模型

模型為訓(xùn)練、評估和預(yù)測過程提供功能。它們?nèi)缦?

  • compile 配置模型的學(xué)習(xí)過程
  • fit 使用訓(xùn)練數(shù)據(jù)訓(xùn)練模型
  • evaluate 使用測試數(shù)據(jù)評估模型
  • predict 預(yù)測新輸入的結(jié)果。

功能API

Sequential API 用于逐層創(chuàng)建模型。函數(shù)式 API 是創(chuàng)建更復(fù)雜模型的另一種方法。功能模型，您可以定義多個共享層的輸入或輸出。首先，我們?yōu)槟Ｐ蛣?chuàng)建一個實(shí)例并連接到層以訪問模型的輸入和輸出。本節(jié)簡要介紹功能模型。

創(chuàng)建模型

使用以下模塊導(dǎo)入輸入層:

>>> from keras.layers import Input

現(xiàn)在，使用以下代碼為模型創(chuàng)建一個指定輸入維度形狀的輸入層:

>>> data = Input(shape=(2,3))

使用以下模塊定義輸入層:

>>> from keras.layers import Dense

使用以下代碼行為輸入添加密集層:

>>> layer = Dense(2)(data) 
>>> print(layer) 
Tensor("dense_1/add:0", shape =(?, 2, 2), dtype = float32)

使用以下模塊定義模型 :

from keras.models import Model

通過指定輸入和輸出層以功能方式創(chuàng)建模型:

model = Model(inputs = data, outputs = layer)

創(chuàng)建簡單模型的完整代碼如下所示:

from keras.layers import Input 
from keras.models import Model 
from keras.layers import Dense 


data = Input(shape=(2,3)) 
layer = Dense(2)(data) model = 
Model(inputs=data,outputs=layer) model.summary() 
_________________________________________________________________ 
Layer (type)               Output Shape               Param # 
================================================================= 
input_2 (InputLayer)       (None, 2, 3)               0 
_________________________________________________________________ 
dense_2 (Dense)            (None, 2, 2)               8 
================================================================= 
Total params: 8 
Trainable params: 8 
Non-trainable params: 0 
_________________________________________________________________
以上內(nèi)容是否對您有幫助：
在線筆記
App下載
App下載

掃描二維碼

下載編程獅App

公眾號
微信公眾號

編程獅公眾號