2——快速开始Sequential模型

        

这一节学习了一下keras的sequential models的大致流程。

 

以下记录笔记使用的keras版本为1.0.0

 

流程分为以下几步：

 

一：The Model layer

         Getting started with the Keras Sequential model

         首先获得keras的Sequential models

         生成这个models是初始化一些基本信息包括input_shape输入类型、激活函数等信息

生成代码如下：

from keras.models import Sequential

 

model = Sequential([

    Dense(32, input_dim=784),

    Activation('relu'),

    Dense(10),

    Activation('softmax'),

])

 

对于Sequential model的第一层必须包含input_shape,因为必须通过这个来告诉模型你输入的是什么类型的数据，而后续的中间层就不需要这个了，因为会默认使用第一层的shape类型。

         代码如下所示：

model = Sequential()

model.add(Dense(32, input_shape=(784,)))

 

二：The Merge layer

         合并层

有时为了简化中间层可以先初始化两个或多个中间层，然后将他们merge后一起输入给sequential

代码形式如下所示：

from keras.layers import Merge

 

left_branch = Sequential()

left_branch.add(Dense(32, input_dim=784))

 

right_branch = Sequential()

right_branch.add(Dense(32, input_dim=784))

 

merged = Merge([left_branch, right_branch], mode='concat')

 

final_model = Sequential()

final_model.add(merged)

final_model.add(Dense(10, activation='softmax'))    

图像化该过程为：

Merge层主要做的是将输入数据进行数据处理，通过Merge函数中的mode参数来确定数据处理方式，其中主要方法包括：

    

• sum(defualt):逐元素相加
• concat:张量串联，可以通过提供concat_axis的关键字参数指定按照哪个轴进行串联
• mul：逐元素相乘
• ave：张量平均
• dot：张量相乘，可以通过dot_axis关键字参数来指定要消去的轴
• cos：计算2D张量（即矩阵）中各个向量的余弦距离

此外还可以自定义处理方式：

    merged = Merge([left_branch, right_branch], mode=lambda x, y: x - y)

所以说merge方法的处理方式还是很灵活的

三：Compilation编译

         该步骤的主要任务是编译训练过程，在编译过程中会调用optimizer、loss、metrics属性

其中optimizer属性的主要功能是优化函数，loss是编译过程中是用的损失函数。Metrics属性是说查询结果是否要求精确，通常该属性只有accuracy这一属性值，或者没有。

         该过程的代码表示形式如下所示：

以下三种编译方法的区别主要在于损失函数的不同，损失函数通常有categorical_crossentropy，binary_crossentropy，mse

# for a multi-class classification problem

model.compile(optimizer='rmsprop',

              loss='categorical_crossentropy',

              metrics=['accuracy'])

 

# for a binary classification problem

model.compile(optimizer='rmsprop',

              loss='binary_crossentropy',

              metrics=['accuracy'])

 

# for a mean squared error regression problem

model.compile(optimizer='rmsprop',

              loss='mse')

 

 

四、训练

         通过上边的步骤已经构建出了模型，此时还需要通过该功能模块来进行训练功能，通常是为了训练模型的参数值。该模块使用fit函数来进行拟合。

Keras以Numpy数组作为输入数据和标签的数据类型

代码形式如下所示：

model = Sequential()

model.add(Dense(1, input_dim=784, activation='softmax'))

model.compile(optimizer='rmsprop',

              loss='binary_crossentropy',

              metrics=['accuracy'])

 

# generate dummy data

import numpy as np

data = np.random.random((1000, 784))

labels = np.random.randint(2, size=(1000, 1))

 

# train the model, iterating on the data in batches

# of 32 samples

model.fit(data, labels, nb_epoch=10, batch_size=32)

其他代码形式如下所示：

# for a multi-input model with 10 classes:

 

left_branch = Sequential()

left_branch.add(Dense(32, input_dim=784))

 

right_branch = Sequential()

right_branch.add(Dense(32, input_dim=784))

 

merged = Merge([left_branch, right_branch], mode='concat')

 

model = Sequential()

model.add(merged)

model.add(Dense(10, activation='softmax'))

 

model.compile(optimizer='rmsprop',

              loss='categorical_crossentropy',

              metrics=['accuracy'])

 

# generate dummy data

import numpy as np

from keras.utils.np_utils import to_categorical

data_1 = np.random.random((1000, 784))

data_2 = np.random.random((1000, 784))

 

# these are integers between 0 and 9

labels = np.random.randint(10, size=(1000, 1))

# we convert the labels to a binary matrix of size (1000, 10)

# for use with categorical_crossentropy

labels = to_categorical(labels, 10)

 

# train the model

# note that we are passing a list of Numpy arrays as training data

# since the model has 2 inputs

model.fit([data_1, data_2], labels, nb_epoch=10, batch_size=32)

 

小结：

         通过以上几个功能模块就可以实现一个简单的深度学习神经网络了，是不是很酷啊。大致回忆一下，分别是建立模型，建立中间层，将中间层导入进模型中，编译整个模型，使用参数进行训练。

 

 

 

 

 

 

通过上述可以进行一些example试验了