keras 神经网络模型 Sequential模型

纯洁的代码
789 阅读2分钟

Sequential模型，就是多个网络层的线性堆叠。它建立模型有两中方式，一种是向layer中添加list，一种是通.add()的方式一层层的天添加。



  • from
    keras.models
    import
    Sequential



  • from
    keras.layers.core
    import
    Dense,Activation



  • #list方式




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



  • #.add的方式




  • model = Sequential（）



  • model.add(Dense(input_dim=
    3
    ,output_dim=
    10
    ))



  • model.add(Activation(
    'relu'
    ))


Dense层，是常用的全连接层，

Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

各参数的含义：

  • units：大于0的整数，代表该层的输出维度。

  • activation：激活函数，为预定义的激活函数名（参考），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）

  • use_bias: 布尔值，是否使用偏置项

  • kernel_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考

  • bias_initializer：偏置向量初始化方法，为预定义初始化方法名的字符串，或用于初始化偏置向量的初始化器。参考

  • kernel_regularizer：施加在权重上的正则项，为对象

  • bias_regularizer：施加在偏置向量上的正则项，为对象

  • activity_regularizer：施加在输出上的正则项，为对象

  • kernel_constraints：施加在权重上的约束项，为对象

  • bias_constraints：施加在偏置上的约束项，为对象



输入

形如(batch_size, ..., input_dim)的nD张量，最常见的情况为(batch_size, input_dim)的2D张量

输出

形如(batch_size, ..., units)的nD张量，最常见的情况为(batch_size, units)的2D张量

Activation层

激活层对一个层的输出施加激活函数，激活函数可以通过设置单独的实现，也可以在构造层对象时通过传递activation参数实现



  • from
    keras.layers
    import
    Activation, Dense







  • model.add(Dense(
    64
    ))



  • model.add(Activation(
    'tanh'
    ))



  • #等价于




  • model.add(Dense(
    64
    , activation=
    'tanh'
    ))



  • #也可以通过传递一个逐元素运算的Theano/TensorFlow/CNTK函数来作为激活函数：




  • from
    keras
    import
    backend
    as
    K







  • def tanh(x):



  • return
    K.tanh(x)







  • model.add(Dense(
    64
    , activation=tanh))



  • model.add(Activation(tanh))


激活函数

  • softmax：对输入数据的最后一维进行softmax

  • elu

  • selu

  • softplus

  • softsign

  • relu

  • tanh

  • sigmoid

  • hard_sigmoid

  • linear

更多免费技术资料可关注：annalin1203

avatar
文章
阅读
粉丝