Keras - 模型

上一頁
下一頁

如前所述，Keras 模型代表實際的神經網路模型。Keras 提供兩種建立模型的方式，簡單易用的順序 API 以及更靈活和高階的函式式 API。在本節中，讓我們學習如何使用這兩種順序和函式式API 來建立模型。

順序 API

順序 API 的核心思想是簡單地按順序排列 Keras 層，因此被稱為順序 API。大多數 ANN 的層也是按順序排列的，資料按照給定的順序從一層流向另一層，直到資料最終到達輸出層。

可以透過簡單地呼叫Sequential() API 來建立 ANN 模型，如下所示：

from keras.models import Sequential 
model = Sequential()

新增層

要新增一層，只需使用 Keras 層 API 建立一層，然後將該層透過 add() 函式傳遞，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)

這裡，我們建立了一個輸入層、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資訊，例如層、輸入資料和輸出資料。它們如下所示：

  • 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 - 將所有權重作為 NumPy 陣列返回。

  • model.set_weights(weight_numpy_array) - 設定模型的權重。

序列化模型

Keras 提供了將模型序列化為物件以及 json 並稍後再次載入的方法。它們如下所示：

  • get_config() - 將模型作為物件返回。

config = model.get_config()

  • from_config() - 它接受模型配置物件作為引數並相應地建立模型。

new_model = Sequential.from_config(config)

  • to_json() - 將模型作為 json 物件返回。

>>> 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 表示並建立一個新模型。

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 表示並建立一個新模型。

from keras.models import model_from_yaml 
new_model = model_from_yaml(yaml_string)

總結模型

瞭解模型是正確使用它進行訓練和預測目的的重要階段。Keras 提供了一個簡單的方法，即 summary，以獲取有關模型及其層的所有資訊。

前面部分建立的模型的摘要如下所示：

>>> 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 
_________________________________________________________________ 
>>>

訓練和預測模型

模型提供了用於訓練、評估和預測過程的函式。它們如下所示：

  • compile - 配置模型的學習過程

  • fit - 使用訓練資料訓練模型

  • evaluate - 使用測試資料評估模型

  • predict - 預測新輸入的結果。

函式式 API

順序 API 用於逐層建立模型。函式式 API 是建立更復雜模型的另一種方法。在函式式模型中，您可以定義共享層的多個輸入或輸出。首先，我們為模型建立一個例項，並連線到層以訪問模型的輸入和輸出。本節簡要介紹了函式式模型。

建立模型

使用以下模組匯入輸入層：

>>> from keras.layers import Input

現在，使用以下程式碼為模型指定輸入維度形狀，建立輸入層：

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

使用以下模組為輸入定義層：

>>> from keras.layers import Dense

使用以下程式碼行為輸入新增密集層：

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

使用以下模組定義模型：

from keras.models import Model

透過指定輸入和輸出層，以函式式方式建立模型：

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

建立簡單模型的完整程式碼如下所示：

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 
_________________________________________________________________
列印頁面
上一頁
下一頁
廣告