keras 深度神经网络模型的搭建

1. 网络构建

• The first layer in a Sequential model must get an input_shape or batch_input_shape argument.

  • 序列化模型的首层必须先定义 input_shape 或 batch_input_shape 以指定输入样本的形状

  model = Sequential()
  model.add(layers.Dense(32, activation='relu', input_shape=(64, ))
  model.add(layers.Dense(32, activation='relu')
  	# 后续层次会进行自动推导，无需指定
  

• model.pop()：删除最后添加的层；

• model.output_shape：查看输出层（最后添加的层）的维度；

2. 网络训练

• model.fit_generator
  • 如果说训练样本树N=1000，steps_per_epoch = 10，那么相当于一个batch_size=100
    • 1/10, 2/10, 3/10, 4/5, 6/10, 7/10, 8/10, 9/10, 10/10
    • 共 10 个batch，每一次batch，输出最新 loss；

3. RNN 网络

• 循环 dropout
  • GRU(32, dropout=.2, recurrent_dropout=.2, input_shape=(None, seq_len))
  • dropout：输入单元的dropout 比率，
  • recurrent_dropout：循环单元的dropout比率；