keras的模型学习笔记
定义模型
序贯模型是多个网络层的线性堆叠,也就是“一条路走到黑”。
from keras.models import Sequential
model=Sequential()###序贯模型
- 可以通过向Sequential模型传递一个layer的list来构造该模型
- 也可以通过.add()方法一个个的将layer加入模型中
模型需要知道输入数据的shape,因此,Sequential的第一层需要接受一个关于输入数据shape的参数.
- 传递一个input_shape的关键字参数给第一层
- 有些2D层,如Dense,支持通过指定其输入维度input_dim来隐含的指定输入数据shape。
- 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)
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.
adam = Adam(lr=1e-4)
model.compile(loss='binary_crossentropy', # 损失函数
optimizer='adam', # 优化器
metrics=['accuracy']) # 模型评测方法