简单上手Sequential模型

最新推荐文章于 2024-05-14 13:31:54 发布

Daistory

最新推荐文章于 2024-05-14 13:31:54 发布

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： DeepLearning

本文链接：https://blog.youkuaiyun.com/Daistory/article/details/80983000

本文介绍了如何简单上手Keras的Sequential模型，包括通过传递layer列表或使用add()方法构建模型，指定输入数据shape，以及配置学习过程如设置optimizer、损失函数和指标。最后，演示了使用numpy数组进行模型训练的基本步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

序贯模型式多个网络层的线性堆叠。

1. 通过向Sequential模型传递一个layer的list构造模型;

from keras.models import Sequential
from keras.layers import Dense, Activation


'''
参数说明：
Dense表示设置全连接层输入和输出，然后设置第一层中的激活函数为‘relu’;
同理第二层的输入式第一层的输出，因此只定义了输出和激活函数。
'''

model = Sequential([
    Dense(32, input_dim=784), 
    Activation('relu'),
    Dense(10), 
    Activation('softmax'), 
])

2. 通过add()方法将layer一个个加入到模型中；

model.add(Dense(15))
model.add(Activation('relu'))

3.指定输入数据的shape

模型需要知道输入数据的shape，因此Sequential的第一层需要设置输入数据的shape，后面层只需要控制设置输出就ok了，输入能够根据前面的输出进行自适应匹配。

传递input_shape关键字给第一层（需要注意的式input_shape是一个tuple类型数据）;
如果输入指定规定大小的batch-size固定输入数据量，例如想固定输入数据为100的张量，数据张量的shape是(6,6)，那么只需要简单的设置batch_size = 100和input_shape=(6,6);