上一节:
下一节:

  Keras - 模型

  • 简述

    如前所述，Keras 模型代表了实际的神经网络模型。Keras 提供了两种模式来创建模型，简单易用的Sequential API以及更灵活和高级的Functional API。现在让我们在本章中学习使用顺序API和功能API 创建模型。

  • 顺序的

    Sequential API的核心思想是简单地按顺序排列 Keras 层，因此，它被称为Sequential API。大多数 ANN 也有按顺序排列的层，数据按照给定的顺序从一层流到另一层，直到数据最终到达输出层。
    可以通过简单地调用Sequential() API 来创建 ANN 模型，如下所示 - 
    

from keras.models import Sequential 

model = Sequential()

    添加图层

    要添加一个层，只需使用 Keras 层 API 创建一个层，然后通过 add() 函数传递该层，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)
    在这里，我们创建了一个输入层、一个隐藏层和一个输出层。

    访问模型

    Keras 提供了一些方法来获取模型信息，如层、输入数据和输出数据。它们如下 -
    • model.layers - 将模型的所有层作为列表返回。 
    

>>> 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 - 将模型的所有输入张量作为列表返回。 
    

>>> inputs = model.inputs 

>>> inputs 

[<tf.Tensor 'dense_13_input:0' shape=(?, 8) dtype=float32>]
    • model.outputs - 将模型的所有输出张量作为列表返回。 
    

>>> outputs = model.outputs 

>>> outputs 

<tf.Tensor 'dense_15/BiasAdd:0' shape=(?, 8) dtype=float32>]
    • model.get_weights - 将所有权重作为 NumPy 数组返回。
    • model.set_weights(weight_numpy_array) - 设置模型的权重。

    序列化模型

    Keras 提供了将模型序列化为对象以及 json 并稍后再次加载它的方法。它们如下 -
    • get_config() - 将模型作为对象返回。 
    

config = model.get_config()
    • from_config() - 它接受模型配置对象作为参数并相应地创建模型。 
    

new_model = Sequential.from_config(config)
    • to_json() - 将模型作为 json 对象返回。 
    

>>> 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 表示并创建一个新模型。 
    

from keras.models import model_from_json 

new_model = model_from_json(json_string)
    • to_yaml() - 将模型作为 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 表示并创建一个新模型。 
    

from keras.models import model_from_yaml 

new_model = model_from_yaml(yaml_string)

    总结模型

    理解模型是正确使用模型进行训练和预测的非常重要的阶段。Keras 提供了一种简单的方法，summary 以获取有关模型及其层的完整信息。
    上一节中创建的模型摘要如下 - 
    

>>> 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 

_________________________________________________________________ 

>>>

    训练和预测模型

    模型为训练、评估和预测过程提供功能。它们如下 -
    • compile - 配置模型的学习过程
    • fit - 使用训练数据训练模型
    • evaluate/i>- 使用测试数据评估模型
    • predict - 预测新输入的结果。

  • 函数式 API

    Sequential API 用于逐层创建模型。功能 API 是创建更复杂模型的另一种方法。功能模型，您可以定义共享层的多个输入或输出。首先，我们为模型创建一个实例并连接到层以访问模型的输入和输出。本节简要介绍功能模型。

    创建模型

    使用以下模块导入输入层 - 
    

>>> from keras.layers import Input
    现在，使用以下代码创建一个输入层，指定模型的输入尺寸形状 - 
    

>>> data = Input(shape=(2,3))
    使用以下模块为输入定义层 - 
    

>>> from keras.layers import Dense
    使用下面的代码行为输入添加密集层 - 
    

>>> layer = Dense(2)(data) 

>>> print(layer) 

Tensor("dense_1/add:0", shape =(?, 2, 2), dtype = float32)
    使用以下模块定义模型 - 
    

from keras.models import Model
    通过指定输入和输出层以功能方式创建模型 - 
    

model = Model(inputs = data, outputs = layer)
    创建简单模型的完整代码如下所示 - 
    

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 

_________________________________________________________________
上一节:
下一节: