keras + tensorflow —— 函数式 API编程

1. 实现简单的逻辑回归

from keras import Input
from keras import layers
from keras.models import Model
x = Input(shape=(32, ))
	# TensorShape([Dimension(None), Dimension(32)])
y = layers.Dense(16, activation='softmax')(x)
model = Model(x, y) 
	# model.output_shape
	# model.summary()

2. 函数式编程的模型构建

  • 序列化模型构建

    seq_model = Sequential()
    seq_model.add(layers.Dense(32, activation='relu', input_shape=(64, )))
    	# 首层必须指定 input_shape 或 batch_input_shape
    seq_model.add(layers.Dense(32, activation='relu'))
    seq_model.add(layers.Dense(10, activation='softmax'))
    
  • 函数式API 下的模型构建

    input_tensor = Input(shape=(64, ))
    z = layers.Dense(32, activation='relu')(input_tensor)
    z = layers.Dense(32, activation='relu')(z)
    y = layers.Dense(10, activation='softmax')(z)
    from keras.models import Model
    model = Model(input_tensor, y)
    
  • 两种方式对比:

    seq_model.summary()
    model.summary()
    

3. layers.concatenate 与 layers.add

  • layers.add:执行 tensor 的相加操作,要求输入必须同维度(或者经过 broadcast 之后是同维度);

    x_1 = Input(shape=(32, ))
    x_2 = Input(shape=(32, ))
    >> layers.add([x_1, x_2])
    <tf.Tensor 'add_3/add:0' shape=(?, 32) dtype=float32>
    
    x_1 = Input(shape=(32, 64))
    x_2 = Input(shape=(64,))
    >> layers.add([x_1, x_2])
    <tf.Tensor 'add_4/add:0' shape=(?, 32, 64) dtype=float32>
    
  • layers.concatente:执行的是 tensor 的拼接操作(维度会拉长)

    x_1 = Input(shape=(32, ))
    x_2 = Input(shape=(64, ))
    >> layers.concatenate([x_1, x_2])
    <tf.Tensor 'concatenate_3/concat:0' shape=(?, 96) dtype=float32>
    
    
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五道口纳什

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值