Keras学习---MLP和CNN模型建立篇

最新推荐文章于 2024-06-29 20:42:47 发布

sunfoot001

最新推荐文章于 2024-06-29 20:42:47 发布

阅读量1.4k

点赞数

分类专栏： Deep Learning

本文链接：https://blog.csdn.net/sunfoot001/article/details/75103458

版权

本文介绍了如何使用Keras构建最简单的MLP和CNN模型进行图像分类。MLP模型包含多个全连接层、激活函数和Dropout层，而CNN模型包括卷积层、池化层和Dropout，其参数总数相近但结构更复杂，能获得更高的准确率。

摘要由CSDN通过智能技术生成

目前阶段，仅考虑线线性堆叠且单输出的网络结构，更复杂的网络有多任务（即多输出）的网络拓扑结构。

1. 最简单的MLP模型

model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(10))
model.add(Activation('softmax'))

通过summary函数可以看到模型的总结，如模型的参数个数，每层的output Shape。

原来，dense和activation及drop都是独立分层的。

Layer (type)                     Output Shape          Param #     Connected to
====================================================================================================
dense_1 (Dense)                  (None, 512)           401920      dense_input_1[0][0]
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 512)           0           dense_1[0][0]
____________________________________________________________________________________________________
dropout_1 (Dropout)              (None, 512)           0           activation_1[0][0]
____________________________________________________________________________________________________
dense_2 (Dense)                  (None, 512)           262656      dropout_1[0][0]
____________________________________________________________________________________________________
activation_2 (Activation)        (None, 512)           0           dense_2[0][0]
__________________________________________________________________