Keras学习笔记：序贯模型

最新推荐文章于 2025-05-27 18:34:14 发布

今晚打老虎

最新推荐文章于 2025-05-27 18:34:14 发布

阅读量918

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习点滴文章标签： Keras

本文链接：https://blog.youkuaiyun.com/qq_24502469/article/details/82260923

深度学习点滴专栏收录该内容

43 篇文章

订阅专栏

本文介绍了Keras中序贯模型的基本用法，包括模型搭建、输入形状指定、编译及训练过程。提供了两种创建序贯模型的方法，并详细解释了如何设置输入维度、批量大小、优化器、损失函数及评估指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Keras中文文档地址：https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

1.序贯（Sequential）模型

序贯模型是多个网络层的线性堆叠

方式1：将一个layer的list传入Sequential模型中

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

方式2：通过model.add() 进行添加

model = Sequential()
model.add(Dense(32, units=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

2.指定输入的shape

Sequential的第一层需要接受input_shape参数，后面的各层则可以自动的推导出中间数据的shape

特殊的，如2D Dense可以指定维度input_dim，3D Dense可以指定input_dim和input_length

同样我们也可以指定固定的batch_size大小

model = Sequential()
model.add(Dense(batch_size=32,input_shape=(100,100)))

model = Sequential()
model.add(Dense(batch_size=32,input_dim=100))

3.编译

通过compile（）进行编译

参数有

优化器optimizer，如 rmsprop，adagrad

损失函数loss，如 categorical_crossentropy，mse

指标列表metrics，一般为metrics=['accuracy']，或者一个指标函数

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

4.训练

编译完成后，传入X,Y，指定轮数和batch_size大小，使用fit（）进行训练

model.fit(data, labels, epochs=10, batch_size=32)