keras 开发文档 2：顺序模型（The Sequential model）

最新推荐文章于 2023-01-06 11:01:15 发布

原创

最新推荐文章于 2023-01-06 11:01:15 发布 · 1.1k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#keras 开发文档 #keras #顺序模型 #python

本文详细介绍了在Keras中使用顺序模型的方法，包括何时适用、如何创建、输入形状的预定义、常见调试技巧以及如何进行特征提取和迁移学习。通过实际示例，读者将学会构建、训练和调整顺序模型。

设置

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

何时使用顺序模型

顺序模型适用于简单的层堆栈，其中每一层正好具有一个输入张量和一个输出张量。

从原理上讲，以下顺序模型：

# Define Sequential model with 3 layers
model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)
# Call model on a test input
x = tf.ones((3, 3))
y = model(x)

等效于以下功能：

# Create 3 layers
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")

# Call layers on a test input
x = tf.ones((3, 3))
y = layer3(layer2(layer1(x)))

顺序模型不适用于以下情况：

您的模型有多个输入或多个输出
您的任何一层都有多个输入或多个输出
您需要进行图层共享
您需要非线性拓扑（例如，残余连接，多分支模型）

创建一个顺序模型

您可以通过将图层列表传递给Sequential构造函数来创建Sequential模型：

model = keras.Sequential(
    [
        layers.Dense(2, activation="relu"),
        layers.Dense(3, activation="relu"),
        layers.Dense(4),
    ]
)

可通过layers属性访问其图层：

model.layers

在这里插入图片描述
您还可以通过add（）方法增量创建一个顺序模型：

model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))

请注意，还有一个相应的pop（）方法可以删除图层：顺序模型的行为非常类似于图层列表。

model.pop()
print(len(model.layers

最低0.47元/天解锁文章