常见神经网络Keras实现_ernie gram keras 实现-优快云博客

本文链接：https://blog.youkuaiyun.com/chengjinpei/article/details/116045218

该博客介绍了三种常见的深度学习神经网络模型的实现：全连接网络、卷积神经网络和LSTM网络。在Tensorflow 2.2及Keras 2.3.1环境下，详细展示了每种模型的结构和参数配置，包括词嵌入、卷积、池化、dropout和批量归一化等操作。模型最后都采用了softmax激活函数进行多分类任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

常见神经网络实现

环境配置：tensorflow=2.2，keras=2.3.1

（1）全连接神经网络

model = Sequential()
model.add(Embedding(output_dim = 32,  # 词向量的维度
                    input_dim = 2000,  # Size of the vocabulary 字典大小
                    input_length = 50  # 每个数字列表的长度
                   )  //每次输入50个单词，每个词的词向量维度为32，字典大小为2000
         )//因此第一层输出是（50，32）
model.add(Dropout(0.2)) 
model.add(Flatten())  # 平展 此时是变成50x32=1600
model.add(Dense(units = 256,
                activation = "relu")) //输出层设置成256
model.add(Dropout(0.25))
model.add(Dense(units = 10,
                activation = "softmax"))//最终的输出层输出为10类
print(model.summary())  # 打印模型

模型可视化：
在这里插入图片描述

（2）卷积神经网络实现

model = Sequential()
model.add(Embedding(output_dim = 32,  # 词向量的维度
                    input_dim = 2000,  # Size of the vocabulary 字典大小
                    input_length = 50  # 每个数字列表的长度
                   )  //此时输出为（50,32）
         )
model.add(Conv1D(256,  
                 3,
                 padding = 'same',
                 activation = 'relu')
         )//此时输出为（50，256）
model.add(MaxPool1D(3,3,padding='same'))//此时输出为（50/3=17，256）
model.add(Conv1D(32, 3, padding='same', activation='relu'))//此时输出为（50/3=17，32）
model.add(Flatten())//此时输出为（544）
model.add(Dropout(0.3))

model.add(BatchNormalization()) # (批)规范化层
model.add(Dense(256,activation='relu')) //输出层为256
model.add(Dropout(0.2))
model.add(Dense(units = 10,
                activation = "softmax"))  //输出层为10

print(model.summary())  # 打印模型

模型可视化：
在这里插入图片描述

（3）LSTM神经网络

//特征量一共有5个，每次输入的序列长度为50
model = Sequential()
model.add(LSTM(units=100,return_sequences=True,input_dim = x_train.shape[-1],input_length = x_train.shape[1]))
model.add(LSTM(units=50))
model.add(Dense(1))
model.compile(loss="mean_squared_error",optimizer = 'adam')
model.fit(x_train,y_train,epochs=epochs,batch_size=batch_size,verbose=1)
print(model.summary())