Keras 使用小结

最新推荐文章于 2025-10-14 07:38:03 发布

原创

最新推荐文章于 2025-10-14 07:38:03 发布 · 654 阅读

2 ·

CC 4.0 BY-SA版权

本文总结了Keras的模型构造方式，包括通用模型和序列模型，详细介绍了Keras Conv2D API的使用，如卷积操作和padding的选择。此外，还探讨了Keras LSTM方法的隐藏状态和细胞状态，以及Input的功能。最后，讨论了Batch size对模型训练的影响，指出合理选择Batch size的重要性。

Keras的两种模型构造方式

通用模型（函数式）
通用模型可以用来设计非常复杂、任意拓扑结构的神经网络，例如有向无环图网络类似于序列模型，通用模型通过函数化的应用接口来定义模型使用函数化的应用接口有好多好处，比如：决定函数执行结果的唯一要素是其返回值，而决定返回值的唯一要素则是其参数，这大大减轻了代码测试的工作量

在通用模型中，定义的时候，从输入的多维矩阵开始，然后定义各层及其要素，最后定义输出层将输入层和输出层作为参数纳入通用模型中就可以定义一个模型对象
```
from keras.layers import Input
from keras.layers import Dense
from keras.models import Model

# 定义输入层
input = Input(shape=(784,))
# 定义各个连接层，假设从输入层开始，定义两个隐含层，都有64个神经元，都使用relu激活函数
x = Dense(64, activation='relu')(input)#把上一层输出结果给下一层的输入
x = Dense(64, activation='relu')(x)
# 定义输出层，使用最近的隐含层作为参数
y = Dense(10, activation='softmax')(x)#整个逻辑从输入到
```