11.11学习笔记之keras的sequential模型

最新推荐文章于 2024-05-14 13:31:54 发布

西门吹瓶哥

最新推荐文章于 2024-05-14 13:31:54 发布

阅读量798

点赞数

文章标签：深度学习 windows

本文链接：https://blog.csdn.net/young951023/article/details/78506425

版权

本文介绍了Keras深度学习框架中的Sequential模型，包括通过list方式和.add()方法建立模型，详细解释了Dense层和Activation函数的用法。此外，还探讨了模型编译的配置，如optimizer、loss和metrics的选择。最后，讨论了训练模型的fit函数，以及batch_size和epoch对训练过程的影响。

摘要由CSDN通过智能技术生成

Keras是一种高度模块化，使用简单上手快，合适深度学习初学者使用的深度学习框架。Keras由纯Python编写而成并以Tensorflow、Theano以及CNTK为后端。Keras为支持快速实验而生，能够把你的idea迅速转换为结果。

sequential模型，就是多个网络层的线性堆叠
建立模型有两种方式：一是向layer添加list的方式，二是通过.add()方式一层层添加（一个add为一层），具体可见如下代码：

#引入Sequential，Dense，Activation
from keras.models import Sequential
from keras.layers import Dense, Activation
#向layer添加list方式
model = Sequential([Dense(input_dim=784,output dim=500),Activation('relu'),Dense(10),Activation('softmax'),])

#通过.add()方式
model = Sequential()
model.add(Dense(input_dim=784,output dim=500))
model.add(Activation('relu'))
model.add(Dense(output dim=500))
model.add(Activation('softmax'))
Dense表示使用 fully connected layers（全连接层）
Activation表