网站乱码,网站seo方案设计,frontpage做的社交网站,网络营销的手段政安晨的个人主页#xff1a;政安晨 欢迎 #x1f44d;点赞✍评论⭐收藏 收录专栏: TensorFlow与Keras实战演绎机器学习 希望政安晨的博客能够对您有所裨益#xff0c;如有不足之处#xff0c;欢迎在评论区提出指正#xff01; 介绍 Keras是一个用于构建和训练深度学习模… 政安晨的个人主页政安晨 欢迎 点赞✍评论⭐收藏 收录专栏: TensorFlow与Keras实战演绎机器学习 希望政安晨的博客能够对您有所裨益如有不足之处欢迎在评论区提出指正 介绍 Keras是一个用于构建和训练深度学习模型的开源库。在Keras中顺序模型是最简单的一种模型类型它是一个线性堆叠的神经网络模型。顺序模型由一系列网络层按照顺序连接而成每个网络层都可以包含多个神经元。 在构建顺序模型时可以通过将网络层实例化并以列表的形式传递给Sequential类来实现。 顺序模型提供了许多其他的方法可以用来配置网络层、编译模型、训练模型、评估模型等。它是一个简单而直观的方式来构建神经网络模型。 可以看一下本专栏的入门篇的文章搭建实验环境。 导入 from tensorflow import keras from keras import layers from keras import ops 何时使用顺序模型 顺序模型适用于每个层都有一个输入张量和一个输出张量的普通层堆。下面是序列模型的示意图 # Define Sequential model with 3 layers model keras.Sequential([layers.Dense(2, activationrelu, namelayer1),layers.Dense(3, activationrelu, namelayer2),layers.Dense(4, namelayer3),] ) # Call model on a test input x ops.ones((3, 3)) y model(x) 等同于这个函数 # Create 3 layers layer1 layers.Dense(2, activationrelu, namelayer1) layer2 layers.Dense(3, activationrelu, namelayer2) layer3 layers.Dense(4, namelayer3)# Call layers on a test input x ops.ones((3, 3)) y layer3(layer2(layer1(x))) 使用Sequential模型不适合的情况有 × 模型有多个输入或多个输出 × 任何层有多个输入或多个输出 × 需要进行层共享 × 想要非线性的拓扑结构例如残差连接、多分支模型 创建一个Sequential顺序模型 你可以通过将一系列层传递给Sequential构造函数来创建一个Sequential模型。 model keras.Sequential([layers.Dense(2, activationrelu),layers.Dense(3, activationrelu),layers.Dense(4),] ) 它的层可以通过layers属性进行访问 model.layers 您还可以通过 add() 方法逐步创建序列模型 model keras.Sequential() model.add(layers.Dense(2, activationrelu)) model.add(layers.Dense(3, activationrelu)) model.add(layers.Dense(4)) 请注意还有一个相应的pop()方法可以删除层Sequential模型的行为非常类似于层的列表。 model.pop() print(len(model.layers)) # 2 还要注意的是Sequential构造函数接受一个name参数就像Keras中的任何层或模型一样。 这对于用语义上有意义的名称为TensorBoard图形进行注释非常有用。 model keras.Sequential(namemy_sequential) model.add(layers.Dense(2, activationrelu, namelayer1)) model.add(layers.Dense(3, activationrelu, namelayer2)) model.add(layers.Dense(4, namelayer3)) 提前指定输入形状 一般来说Keras 中的所有层都需要知道其输入的形状以便创建权重。因此当你创建一个这样的层时它最初是没有权重的 layer layers.Dense(3) layer.weights # Empty 由于权重的形状取决于输入的形状因此它在首次调用输入时就会创建权重 # Call layer on a test input x ops.ones((1, 4)) y layer(x) layer.weights # Now it has weights, of shape (4, 3) and (3,) 演绎 当然这也适用于序列模型。当您实例化一个没有输入形状的序列模型时它并没有 建立它没有权重调用 model.weights 会导致错误说明。 权重是在模型第一次看到输入数据时创建的 model keras.Sequential([layers.Dense(2, activationrelu),layers.Dense(3, activationrelu),layers.Dense(4),] ) # No weights at this stage!# At this point, you cant do this: # model.weights# You also cant do this: # model.summary()# Call the model on a test input x ops.ones((1, 4)) y model(x) print(Number of weights after calling the model:, len(model.weights)) # 6 演绎 一旦建立了一个模型你可以调用它的summary()方法来显示其内容 model.summary() 不过在逐步建立序列模型时显示模型的摘要包括当前输出形状可能会非常有用。 在这种情况下您应该通过向模型传递一个输入对象来启动模型以便模型从一开始就知道其输入形状 model keras.Sequential() model.add(keras.Input(shape(4,))) model.add(layers.Dense(2, activationrelu))model.summary() 请注意输入对象不会显示为 model.layers 的一部分因为它不是一个图层 像这样使用预定义的输入形状构建的模型始终具有权重即使在没有看到任何数据之前并且始终具有定义的输出形状。 总的来说如果您知道输入形状最好事先明确指定Sequential模型的输入形状。 常见的调试工作流程add( ) summary() 在构建新的序列架构时使用 add() 逐步堆叠图层并经常打印模型摘要非常有用。 例如这样就可以监控 Conv2D 和 MaxPooling2D 图层堆栈如何对图像特征图进行下采样 model keras.Sequential() model.add(keras.Input(shape(250, 250, 3))) # 250x250 RGB images model.add(layers.Conv2D(32, 5, strides2, activationrelu)) model.add(layers.Conv2D(32, 3, activationrelu)) model.add(layers.MaxPooling2D(3))# Can you guess what the current output shape is at this point? Probably not. # Lets just print it: model.summary()# The answer was: (40, 40, 32), so we can keep downsampling...model.add(layers.Conv2D(32, 3, activationrelu)) model.add(layers.Conv2D(32, 3, activationrelu)) model.add(layers.MaxPooling2D(3)) model.add(layers.Conv2D(32, 3, activationrelu)) model.add(layers.Conv2D(32, 3, activationrelu)) model.add(layers.MaxPooling2D(2))# And now? model.summary()# Now that we have 4x4 feature maps, time to apply global max pooling. model.add(layers.GlobalMaxPooling2D())# Finally, we add a classification layer. model.add(layers.Dense(10)) 在实战中实践真的很实用。 一旦你拥有一个模型接下来应该做什么 一旦你的模型架构准备好了你可以进行以下操作 训练你的模型评估它并进行推断。请参考我们的训练和评估指南。将你的模型保存到磁盘并恢复它。请参考我们的序列化和保存指南。 使用顺序模型提取特征 一旦建立了顺序模型它就会像功能 API 模型一样运行。这意味着每一层都有输入和输出属性。这些属性可以用来做一些巧妙的事情比如快速创建一个模型提取顺序模型中所有中间层的输出 initial_model keras.Sequential([keras.Input(shape(250, 250, 3)),layers.Conv2D(32, 5, strides2, activationrelu),layers.Conv2D(32, 3, activationrelu),layers.Conv2D(32, 3, activationrelu),] ) feature_extractor keras.Model(inputsinitial_model.inputs,outputs[layer.output for layer in initial_model.layers], )# Call feature extractor on test input. x ops.ones((1, 250, 250, 3)) features feature_extractor(x) 下面是一个类似的例子只从一个图层中提取特征 initial_model keras.Sequential([keras.Input(shape(250, 250, 3)),layers.Conv2D(32, 5, strides2, activationrelu),layers.Conv2D(32, 3, activationrelu, namemy_intermediate_layer),layers.Conv2D(32, 3, activationrelu),] ) feature_extractor keras.Model(inputsinitial_model.inputs,outputsinitial_model.get_layer(namemy_intermediate_layer).output, ) # Call feature extractor on test input. x ops.ones((1, 250, 250, 3)) features feature_extractor(x) 用顺序模型进行迁移学习 迁移学习的方法是冻结模型中的底层并只训练顶层。如果你对此不熟悉请确保阅读我们的迁移学习指南。 下面是两种使用Sequential模型的常见迁移学习蓝图。 首先假设你有一个Sequential模型你想要冻结除了最后一层之外的所有层。在这种情况下你只需要遍历model.layers并设置layer.trainable False除了最后一层外的每层都如此。 像这样 model keras.Sequential([keras.Input(shape(784)),layers.Dense(32, activationrelu),layers.Dense(32, activationrelu),layers.Dense(32, activationrelu),layers.Dense(10), ])# Presumably you would want to first load pre-trained weights. model.load_weights(...)# Freeze all layers except the last one. for layer in model.layers[:-1]:layer.trainable False# Recompile and train (this will only update the weights of the last layer). model.compile(...) model.fit(...) 另一种常见的蓝图是使用Sequential模型来堆叠一个预训练模型和一些新初始化的分类层。就像这样 # Load a convolutional base with pre-trained weights base_model keras.applications.Xception(weightsimagenet,include_topFalse,poolingavg)# Freeze the base model base_model.trainable False# Use a Sequential model to add a trainable classifier on top model keras.Sequential([base_model,layers.Dense(1000), ])# Compile train model.compile(...) model.fit(...) 如果你进行迁移学习你可能会发现自己经常使用这两种模式。 这就是你需要了解的关于序列模式的全部内容