一、主頁

上手Keras

◆ Keras 的核心數(shù)據(jù)結(jié)構(gòu)是?model，一種組織網(wǎng)絡(luò)層的方式。最簡單的模型是 Sequential 順序模型，它由多個網(wǎng)絡(luò)層線性堆疊。對于更復(fù)雜的結(jié)構(gòu)，你應(yīng)該使用 Keras 函數(shù)式 API，它允許構(gòu)建任意的神經(jīng)網(wǎng)絡(luò)圖。

◆?Sequential 模型如下所示：

from keras.medels import Sequential model = Sequential()

◆ 可以使用.add()來堆疊模型：

from keras.layers import Dense model.add(Dense(units=64,activation='relu',input_dim=100)) model.add(Dense(units=10,activation='softmax'))

◆ 完成模型構(gòu)建后，使用.compile()來配置學(xué)習(xí)過程：

# 選擇交叉熵?fù)p失函數(shù)作為損失函數(shù)，隨機(jī)梯度下降作為優(yōu)化方法，準(zhǔn)確率作為評價(jià)指標(biāo) model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics='accuracy')

◆ 現(xiàn)在可以批量地在訓(xùn)練數(shù)據(jù)上進(jìn)行迭代了：

# X_train和Y_train是Numpy數(shù)組 model.fit(X_train,Y_train,epochs=5,batch_size=32)

◆ 或者可以手動將批次數(shù)據(jù)提供給模型：

model.train_on_batch(X_batch,Y_batch)

◆ 然后可以對模型性能進(jìn)行評估：

loss_and_metrics = model.evaluate(X_test,Y_test,batch_size=128)

◆ 或者對新的數(shù)據(jù)進(jìn)行預(yù)測：

classes = model.predict(X_test,batch_size=128)

二、快速開始

1、Sequential順序模型

from keras.models import Sequential from keras.layers import Dense,Activationmodel = Sequential() model.add(Dense(32,input_dim=784)) model.add(Activation('relu'))

（1）指定輸入數(shù)據(jù)的尺寸

模型第一層（只有第一層需要）需要接收關(guān)于其輸入尺寸的信息：

◆?傳遞 input_shape 參數(shù)給第一層，它表示張量的形狀，例如一個一階張量[1,2,3]的shape為(3,)，二階張量[[1,2,3],[4,5,6]]的shape為(2,3)。

◆ 例如 Dense 的2D層，可以通過參數(shù) input_dim 指定輸入尺寸，而3D層使用 input_dim 和 input_length 參數(shù)。

input_length 表示輸入數(shù)據(jù)的長度，input_dim 表示數(shù)據(jù)的維度

input_dim = input_shape(input_dim,)

input_dim,input_length = input_shape(input_length,input_dim)

◆ 如果需要為輸入指定一個固定的 batch 大小，可以傳遞一個 batch_size 參數(shù)。例如，同時(shí)將 batch_size=32 和 input_shape=(6,8) 傳遞給一層，則每一批輸入的尺寸為(32,6,8)。

# 由上述可得 model.add(Dense(32,input_shape(784,))) # 等價(jià)于 model.add(Dense(32,input_dim=784))

（2）模型編譯

模型訓(xùn)練之前，需要配置學(xué)習(xí)過程，通過 .compile() 方法完成，接收三個參數(shù)：

◆ 優(yōu)化器 optimizer。可以是現(xiàn)有優(yōu)化器的字符串標(biāo)識符，如 rmsprop 或 adagrad?，也可以是Optimizer 類的實(shí)例。

◆ 損失函數(shù) loss。可以是現(xiàn)有損失函數(shù)的字符串標(biāo)識符，如 categorical_crossentropy 或 mse，也可以是一個目標(biāo)函數(shù)。

◆ 評估標(biāo)準(zhǔn) metrics。對于分類問題，metrics = [‘a(chǎn)ccuracy’]

（3）模型訓(xùn)練

通常會使用 .fit() 函數(shù)

未完待續(xù)。。。

總結(jié)

以上是生活随笔為你收集整理的Keras中文文档总结的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。