二零二三年 优质公开课SequentialAPI.pptx

数据科学与机器学习用Sequential API创建模型 创建Sequential model输入数据编译010203训练04 Sequential API顺序模型是多个网络层的线性堆叠，也就是“一条路走到黑”。可以通过向Sequential模型传递一个layer的list来构造该模型：from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = Sequential([Dense(32, units=784),Activation(relu),Dense(10),Activation(softmax),]) Sequential API也可以通过.add()方法一个个的将layer加入模型中：model = Sequential()model.add(Dense(32, input_shape=(784,)))model.add(Activation(relu)) 输入数据Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。如果你需要为输入指定一个固定大小的batch_size（常用于stateful RNN网络），可以传递batch_size参数到一个层中，例如你想指定输入张量的batch大小是32，数据shape是（6，8），则你需要传递batch_size=32和input_shape=(6,8)。model = Sequential() model.add(Dense(32, input_shape=(784,))) 编译在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象，详情见optimizers损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses指标列表metrics：对分类问题，我们一般将该列表设置为metrics=[accuracy]。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - metric_value映射的字典. 编译# 多分类pile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accuracy])# 二分类pile(optimizer=rmsprop, loss=binary_crossentropy, metrics=[accuracy])# 回归问题pile(optimizer=rmsprop, loss=mse) 训练训练模型一般使用fit函数。fit(self, x, y, batch_size=32, epochs=10…)x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy arrayy：标签，numpy arraybatch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch# 训练模型，实现分类，如：model.fit(data, one_hot_labels, epochs=10, batch_size=32) 小结Sequential API 为自己搭建网络模型常用方法。如何使用Sequential API实现回归预测如何使用Sequential API实现分类预测 谢谢观看