【Tensorflow2.0】keras.models.Sequential() 和Model()模块

最新推荐文章于 2024-08-04 23:00:28 发布

一穷二白到年薪百万

最新推荐文章于 2024-08-04 23:00:28 发布

阅读量3.4k

点赞数 1

分类专栏： Tensorflow学习文章标签： tensorflow keras 深度学习

本文链接：https://blog.csdn.net/zfhsfdhdfajhsr/article/details/128970772

版权

Tensorflow学习专栏收录该内容

4 篇文章 1 订阅

订阅专栏

文章介绍了在Tensorflow和Keras中，如何使用Sequential模型和Model类来构建深度学习网络。Sequential模型适用于简单的层堆叠，而Model类则支持更复杂的拓扑结构，如多输入多输出的网络。Model通过定义输入和输出张量来构建网络，而继承自Model的类允许自定义网络行为，类似于Pytorch中的forward函数。

摘要由CSDN通过智能技术生成

1 功能

在读tensorflow代码时经常看到使用Model定义模型，这与在Pytorch中经常使用的使用继承模型有区别，所以这里就记录一下。
在Keras中有两种深度学习的模型：序列模型（Sequential）和通用模型（Model）。差异在于不同的拓扑结构。
在序列模型中，就如同Pytorch中的用法一样，看下面代码：

from keras.models import Sequential
from keras.layers import Dense, Activation
 
layers = [Dense(32, input_shape = (784,)),
   Activation('relu'),
   Dense(10),
   Activation('softmax')] 
model = Sequential(layers)

# 或者逐层添加网络结构，代码如下：
from keras.models import Sequential
from keras.layers import Dense, Activation
 
model = Sequential()
model.add(Dense(32, input_shape = (784,)))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

如果我们像实现一些更为复杂的网络，比如多输入多输出的模型就需要使用到keras.models.Model()来构建网络。如下代码同时输出最后卷积层Flatten后提取的特征层，以及分类结构。

流程使用keras.Input定义输入张量shape，创建网络层；定义每层的输入和输出张量；keras.models.Model确定输入张量和输出层，keras可以根据每一层的输入输出关系完成整个网络图的创建。

个人理解，Model模块其实就是调用之前定义的函数层，主要就是注意的就是Model函数中的Input和outputs的输入，这个地方要注意理解。

import tensorflow as tf
from tensorflow.keras import layers, models, Input

input_tensor = Input(shape=(32, 32, 3))

x = layers.Conv2D(32, (3, 3), activation='relu')(input_tensor)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)

output_tensor1=layers.Flatten()(x)
x = layers.Dense(64, activation='relu')(output_tensor1)

output_tensor2 = layers.Dense(10, activation='softmax')(x)

model = models.Model(inputs=input_tensor, outputs=[output_tensor1, output_tensor2])

model.summary()

继承类：这个跟Pytorch的使用方法一致，call函数相当于forward。

import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers
from    tensorflow.keras.models import Model

class MyNet(Model):

    def __init__(self):
        super(MyNet, self).__init__()
        self.conv1 = layers.Conv2D(32, (3, 3), activation='relu')
        self.pool1 = layers.MaxPooling2D((2, 2))
        
        self.conv2 = layers.Conv2D(64, (3, 3), activation='relu')
        self.pool2 = layers.MaxPooling2D((2, 2))

        self.conv3 = layers.Conv2D(64, (3, 3), activation='relu')
        self.flatten = layers.Flatten()
        
        self.fc1 = layers.Dense(64, activation='relu')
        self.fc2 = layers.Dense(10, activation='softmax')
        
    def call(self, inputs):
        
        out = self.conv1(inputs)
        out = self.pool1(out)
        
        out = self.conv2(out)
        out = self.pool2(out)
        
        out = self.conv3(out)
        out = self.flatten(out)
        
        out = self.fc1(out)
        out = self.fc2(out)
        
        return out

def main():
    
    model = MyNet()
    model.build(input_shape=(None,32, 32,3))
    model.summary()

if __name__ == '__main__':
    main()