引言
在TensorFlow和Keras中,
Dense
层是全连接(fully connected)层的标准实现,其中每个输入都与每个输出有连接
文章目录
一、dense的用法
1.1 步骤
1.1.1 导入必要的库
通常,你需要从 tensorflow.keras
中导入 models
和 layers
。
from tensorflow.keras import models, layers
1.1.2 创建模型
使用 models.Sequential()
创建一个顺序模型。
model = models.Sequential()
1.1.3 添加 Dense
层
使用 model.add()
方法添加 Dense
层到模型中。
model.add(layers.Dense(units, activation='activation_function'))
其中:
units
是层的输出维度,即该层中的神经元数量。activation
是激活函数,例如 ‘relu’、‘sigmoid’、‘softmax’ 等。
1.1.4 编译模型
选择损失函数、优化器,并定义评估指标。
model.compile(optimizer='optimizer', loss='loss_function', metrics=['accuracy'])
1.1.5 训练模型
使用训练数据对模型进行训练。
model.fit(x_train, y_train, epochs=epochs, batch_size=batch_size)
1.2 代码示例
以下是一个使用
Dense
层构建简单全连接神经网络的示例
from tensorflow.keras import models, layers
# 创建模型
model = models.Sequential()
# 添加输入层,假设输入数据有 64 个特征
model.add(layers.Dense(64, input_shape=(64,), activation='relu'))
# 添加一个隐藏层,有 128 个神经元,并使用 ReLU 激活函数
model.add(layers.Dense(128, activation='relu'))
# 添加输出层,假设是二分类问题,因此有一个神经元和 'sigmoid' 激活函数
model.add(layers.Dense(1, activation='sigmoid'))
# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# 假设 x_train 和 y_train 是训练数据和标签
# 训练模型
# model.fit(x_train, y_train, epochs=10, batch_size=32)
1.3 代码解释
- 在这个例子中,我们创建了一个三层的全连接神经网络:一个输入层,一个隐藏层和一个输出层
- 使用
ReLU
激活函数在输入层和隐藏层,并在输出层使用sigmoid
函数,因为这是一个二分类问题 - 编译模型时,我们选择了
adam
优化器和binary_crossentropy
损失函数,这是二分类问题的常见选择
1.4 总结
在实际应用中,需要用实际的训练数据替换 x_train
和 y_train
,并设置合适的 epochs
和 batch_size
参数来训练模型
二、用Numpy构建一个简单神经网络
2.1 导入第三方库
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('./deeplearning.mplstyle')
import tensorflow as tf
from lab_utils_common import dlc, sigmoid
from lab_coffee_utils import load_coffee_data, plt_roast, plt_prob, plt_layer, plt_network, plt_output_unit
import logging
logging.getLogger("tensorflow").setLevel(logging.ERROR)
tf.autograph.set_verbosity(0)
2.2 数据集
X,Y = load_coffee_data();
print(X.shape, Y.shape)
让我们在下面绘制咖啡烘焙数据。这两个功能是以摄氏度为单位的温度和以分钟为单位的持续时间。在家烘焙咖啡建议持续时间最好保持在 12 到 15 分钟之间,而温度应在 175 到 260 摄氏度之间。当然,随着温度的升高,持续时间应该会缩短。
plt_roast(X,Y)
输出结果:
2.3 归一化数据
如果数据被归一化,那么将权重拟合到数据(反向传播)将更快地进行。这与您在课程 1 中使用的过程相同,其中数据中的每个要素都被归一化为具有相似的范围。以下过程使用 Keras 归一化层。它包含以下步骤:
- 创建一个“归一化层”。请注意,如此处应用的,这不是模型中的层
- “适应”数据。这将学习数据集的均值和方差,并在内部保存值
- 对数据进行规范化,将归一化应用于利用学习模型的任何未来数据非常重要
print(f"Temperature Max, Min pre normalization: {np.max(X[:,0]):0.2f}, {np.min(X[:,0]):0.2f}")
print(f"Duration Max, Min pre normalization: {np.max(X[:,1]):0.2f}, {np.min(X[:,1]):0.2f}")
norm_l = tf.keras.layers.Normalization(axis=-1)
norm_l.adapt(X) # learns mean, variance
Xn = norm_l(X)
print(f"Temperature Max, Min post normalization: {np.max(Xn[:,0]):0.2f}, {np.min(Xn[:,0]):0.2f}")
print(f"Duration Max, Min post normalization: {np.max(Xn[:,1]):0.2f}, {np.min(Xn[:,1]):0.2f}")
输出结果:
2.4 Numpy模型
让我们来构建讲座中描述的“咖啡烘焙网络”。有两层具有 sigmoid 激活
可以使用 NumPy 构建自己的密集层。然后,这可以用来构建多层神经网络
在第一个可选实验中,在 NumPy 和 Tensorflow 中构建了一个神经元,并注意到它们的相似性。一层仅包含多个神经元/单元。可以利用 for 循环访问层中的每个单元j,并执行该单位的权重W的点积,并将该单位的偏差相加 (b[j]) 形成 z。然后可以将激活函数 g(z) 应用于该结果。让我们在下面尝试构建一个“密集层”子程序
def my_dense(a_in, W, b, g):
"""
Computes dense layer
Args:
a_in (ndarray (n, )) : Data, 1 example
W (ndarray (n,j)) : Weight matrix, n features per unit, j units
b (ndarray (j, )) : bias vector, j units
g activation function (e.g. sigmoid, relu..)
Returns
a_out (ndarray (j,)) : j units|
"""
units = W.shape[1]
a_out = np.zeros(units)
for j in range(units):
w = W[:,j]
z = np.dot(w, a_in) + b[j]
a_out[j] = g(z)
return(a_out)
)
以下单元利用上述 my_dense 子程序构建一个两层神经网络
def my_sequential(x, W1, b1, W2, b2):
a1 = my_dense(x, W1, b1, sigmoid)
a2 = my_dense(a1, W2, b2, sigmoid)
return(a2)
我们可以在 Tensorflow 中复制来自前一个实验室的经过训练的权重和偏差
W1_tmp = np.array( [[-8.93, 0.29, 12.9 ], [-0.1, -7.32, 10.81]] )
b1_tmp = np.array( [-9.82, -9.28, 0.96] )
W2_tmp = np.array( [[-31.18], [-27.59], [-32.56]] )
b2_tmp = np.array( [15.41] )
2.5 预测
一旦有了经过训练的模型,就可以使用它来做出预测。回想一下,我们模型的输出是一个概率。在这种情况下,良好烤肉的概率。要做出决定,必须将概率应用于阈值。在本例中,我们将使用 0.5
- 让我们从编写一个类似于 Tensorflow 的 model.predict() 的例程开始。这将采用一个矩阵 𝑋,行中有所有 𝑚个示例,并通过运行模型进行预测。
def my_predict(X, W1, b1, W2, b2):
m = X.shape[0]
p = np.zeros((m,1))
for i in range(m):
p[i,0] = my_sequential(X[i], W1, b1, W2, b2)
return(p)
我们可以在两个示例中尝试此例程:
X_tst = np.array([
[200,13.9], # postive example
[200,17]]) # negative example
X_tstn = norm_l(X_tst) # remember to normalize
predictions = my_predict(X_tstn, W1_tmp, b1_tmp, W2_tmp, b2_tmp)
为了将概率转换为决策,我们应用了一个阈值:
yhat = np.zeros_like(predictions)
for i in range(len(predictions)):
if predictions[i] >= 0.5:
yhat[i] = 1
else:
yhat[i] = 0
print(f"decisions = \n{yhat}")
This can be accomplished more succinctly:
输出结果:
这可以更简洁地完成:
yhat = (predictions >= 0.5).astype(int)
print(f"decisions = \n{yhat}")
输出结果:
2.6 网络功能
此图显示了整个网络的操作,与上一个实验的 Tensorflow 结果相同
左图是最后一层的原始输出,由蓝色阴影表示。这叠加在由 X 和 O 表示的训练数据上
右图是决策阈值之后网络的输出。这里的 X 和 O 对应于网络做出的决策
netf= lambda x : my_predict(norm_l(x),W1_tmp, b1_tmp, W2_tmp, b2_tmp)
plt_network(X,Y,netf)
输出结果:
2.7 总结
在NumPy
中构建了一个小型神经网络,揭示了构成神经网络中一层的相当简单和熟悉的函数