Keras之序贯(Sequential)模型

序贯模型(Sequential)

序贯模型是多个网络层的线性堆叠。

可以通过向Sequential模型传递一个layer的list来构造该模型：

from Keras.models import Sequential
from Keras.layers import Dense,Activation
 
model = Sequential([Dense(32,units=784),Activation('relu'),Dense(10),Activation('softmax'),])

也可以通过.add()方法一个个的将layer加入到模型中：

model = Sequential()
model.add(Dense(32,input_shape=(784,)))
model.add(Activation('relu'))

指定输入数据的Shape

模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动推导出中间数据的shape，因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape,因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape

传递一个input_shape的关键字给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应该包含在其中。
有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape
如果你需要为输入指定一个固定大小的batch_size(常用于stateful RNN网络)，可以传递batch_size参数到一个层中，例如你想指定输入张量的batch大小是32，数据shape是(6,8)，则你需要传递batch_size=32和input_shape()=(6,8)。

model = Sequential()
model.add(Dense(32,input_dim(784)))
 
model = Sequential()
model.add(Dense(32,input_shape=784))

编译

在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

1.优化器optimizer：该参数可指定为已预定义的优化器名称,如rmsprop、adagrad,或一个Optimizer类的对象

2.损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。

3.指定列表metrics：对分类问题，我们一般将列表设置为metrics=[‘accuracy’].指标可以是一个预定义指标的名字，也可以是一个用户定制的函数。指标函数应该返回单个张量，或一个完成metric_name -> metric_value映射的字典

#For a multi-class classification problem
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'

#For a binary classification problem
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])

#For a mean squared error regression problem
model.compile(optimizer='rmsprop',loss='mse')

#For custom metrics
import keras.backed as k
 
def men_pred(y_true,y_pred):
    return K.mean(y_pred)
 
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy',mean_pred])

训练

Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数。下面给出一些例子：

#For a single-input model with 2 class (binary classification)
model = Sequential()
model.add(Dense(32,activation='relu', input_dim=100))
model.add(Dense(1,activation='sigmoid'))
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
 
#Generate dummy data
import numppy as np
data = np.random.random((100,100))
labels = np.random.randint(2,size=(1000,1))
 
#Train the model,iterating on the data in batches of 32 samples
model.fit(data,labels,epochs=10,batch_size=32)

#For a sinale-input model with 10 class (categorical classfication):
model = Sequential()
model.add(Dense(32,activation='relu',input_dim=100))
model.add(Dense(10,activation='softmax'))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
 
#Generate dummy data
import numpy as np
data = np.random.random((1000,100))
labels = np.random.randint(10,size=(1000,1))
 
#Convert Labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels,num_classes=10)
 
#Train the model,interating on the data in batches of 32 samples
model.fit(data,one_hot_labels,epochs=10,batch_size=32)