Keras深度學(xué)習(xí)實(shí)戰(zhàn)》">《Keras深度學(xué)習(xí)實(shí)戰(zhàn)》
690
2025-04-02
《Keras深度學(xué)習(xí)實(shí)戰(zhàn)》—2.7 序貫?zāi)Ｐ?/h1>
2.7 序貫?zāi)Ｐ?/p>
可以通過將多個(gè)層堆疊并傳遞給Sequential的構(gòu)造函數(shù)來創(chuàng)建序貫?zāi)Ｐ汀?/p>
怎么做
創(chuàng)建基本序貫?zāi)Ｐ蜕婕爸付ㄒ粋€(gè)或多個(gè)層。
創(chuàng)建序貫?zāi)Ｐ?/p>
我們將創(chuàng)建一個(gè)包含四層的序貫網(wǎng)絡(luò)。
1.第1層是全連接層（稠密層），其input_shape為（*，784），output_shape為（*，32）。
稠密層是一個(gè)根據(jù)一定規(guī)則密集連接的神經(jīng)網(wǎng)絡(luò)層，實(shí)現(xiàn)操作：output = activation（dot（input，kernel）+ bias）。其中激活函數(shù)（activation）是傳遞激活參數(shù)的函數(shù)，核（kernel）是由層創(chuàng)建的權(quán)重矩陣，偏差（bias）是層創(chuàng)建的偏差向量（僅當(dāng)use_bias為True時(shí)才適用）。
2.第2層是激活層，將tanh激活函數(shù)用于激活輸入張量：
Activation也可以作為參數(shù)應(yīng)用于稠密層：
3.第3層是一個(gè)稠密層，輸出為（*，10）。
4.第4層具有應(yīng)用softmax函數(shù)的Activation：
在數(shù)學(xué)中，softmax函數(shù)也稱為歸一化指數(shù)函數(shù)，是邏輯函數(shù)的泛化，它將一個(gè)含任意實(shí)數(shù)的K維向量z壓縮到另一個(gè)K維實(shí)向量σ（z）。其中每個(gè)元素都在（0～1）范圍內(nèi)，所有元素加起來為1。如以下公式所示：
5.創(chuàng)建的模型如下：
Sequential是Model的子類，還有一些其他方法將會(huì)在后續(xù)章節(jié)進(jìn)行介紹。
編譯模型
編譯模型：
有關(guān)每個(gè)參數(shù)含義的詳細(xì)信息，請參閱文檔https://keras.io/models/sequential/#the-sequential-model-api。
訓(xùn)練模型
此方法用于以指定次數(shù)（數(shù)據(jù)集上的迭代）訓(xùn)練模型：
有關(guān)每個(gè)參數(shù)含義的詳細(xì)信息，請參閱文檔https://keras.io/models/sequential/#the- sequential-model-api。
評估模型
evaluate方法用于評估模型指標(biāo)，使用批處理完成：
模型預(yù)測
調(diào)用以下predict? API進(jìn)行預(yù)測，它返回一個(gè)numpy數(shù)組：
接下來給出一個(gè)結(jié)合使用這些API的實(shí)例。
把它們結(jié)合
我們將使用皮馬印第安人糖尿病數(shù)據(jù)集。
該數(shù)據(jù)集最初來自美國糖尿病、消化系統(tǒng)和腎臟疾病研究所，目標(biāo)是使用數(shù)據(jù)集中包括的測量值來診斷性地預(yù)測患者是否患有糖尿病。不過這些數(shù)據(jù)集有一定的局限性，例如，數(shù)據(jù)集中的所有患者都是大于21歲的女性皮馬印第安人。數(shù)據(jù)集由若干醫(yī)學(xué)預(yù)測變量和一個(gè)目標(biāo)變量（結(jié)果）組成，預(yù)測變量包括患者的懷孕次數(shù)、BMI、胰島素水平、年齡等。
數(shù)據(jù)集的形狀為（768，9）。
數(shù)據(jù)集的值包括：
X的值，為第0到第7列：
Y的值是數(shù)據(jù)集的第8列，如下圖所示：
模型內(nèi)部檢驗(yàn)
通過在調(diào)試器中進(jìn)行模型檢驗(yàn)，可以在調(diào)用compile方法之前得到如下模型屬性：
模型內(nèi)部編譯
調(diào)用model.compile()時(shí)后臺(tái)會(huì)進(jìn)行如下操作：
從后端獲得優(yōu)化器。
以下是支持的優(yōu)化器列表：
初始化損失函數(shù)
所用的損失函數(shù)是二元交叉熵?fù)p失。
交叉熵?fù)p失（也稱為對數(shù)損失）用于測量模型的性能（分類模型），其輸出是介于0～1之間的概率值，隨著預(yù)測概率偏離實(shí)際值的程度變化而變化：
初始化所有輸出的內(nèi)部變量：
設(shè)置模型目標(biāo)：
設(shè)置樣本權(quán)重：
在編譯之前，將以下值分配給樣本權(quán)重和sample_weight_modes：
運(yùn)行代碼后，它會(huì)初始化為以下值：
設(shè)置指標(biāo)：
接下來，我們設(shè)置指標(biāo)名稱和metrics_tensors，用于存儲(chǔ)實(shí)際指標(biāo)：
計(jì)算總損失和指標(biāo)：
計(jì)算損失并添加到self.metrics_tensors：
接下來，計(jì)算嵌套指標(biāo)和nested_weighted_metrics：
初始化測試、訓(xùn)練和預(yù)測函數(shù)：
全部惰性初始化：
對可訓(xùn)練權(quán)重進(jìn)行排序：
最后，我們初始化可訓(xùn)練的權(quán)重：
模型訓(xùn)練
調(diào)用model.fit進(jìn)行模型訓(xùn)練，執(zhí)行以下步驟。
數(shù)據(jù)驗(yàn)證：
將validation_data傳遞給Keras模型時(shí)，它必須包含兩個(gè)參數(shù)（x_val，y_val）或三個(gè)參數(shù)（x_val，y_val和val_sample_weights）。
模型輸出
上述代碼中模型指標(biāo)的最終輸出顯示如下：
深度學(xué)習(xí) Keras
版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。
版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。
相關(guān)文章
