Press "Enter" to skip to content

理解 Keras 中的 sequential 模型

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

keras中的主要数据结构是model(模型),它提供定义完整计算图的方法。通过将图层添加到现有模型/计算图,我们可以构建出复杂的神经网络。

Keras有两种不同的构建模型的方法:

  1. models

  2. Functional API

本文将要讨论的就是keras中的Sequential模型。

理解Sequential模型

Sequential模型字面上的翻译是顺序模型,给人的第一感觉是那种简单的线性模型,但实际上Sequential模型可以构建非常复杂的神经网络,包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、等等。这里的Sequential更准确的应该理解为堆叠,通过堆叠许多层,构建出深度神经网络。

如下代码向模型添加一个带有64个大小为3 * 3的过滤器的卷积层:

from .models import Sequentialfrom .layers import Dense, Activation,Conv2D,MaxPooling2D,Flatten,Dropoutmodel = Sequential().add(Conv2D(64, (3, 3), activation='relu'))

Sequential模型的核心操作是添加layers(图层),以下展示如何将一些最流行的图层添加到模型中:

  • 卷积层

model.add(Conv2D(64, (3, 3), activation='relu'))
  • 最大池化层

model.add(MaxPooling2D(pool_size=(2, 2)))
  • 全连接层

model.add(Dense(256, activation='relu'))
  • dropout

model.add(Dropout(0.5))
  • Flattening layer(展平层)

model.add(Flatten())

基本的Sequential模型开发流程

从我们所学习到的机器学习知识可以知道,机器学习通常包括定义模型、定义优化目标、输入数据、训练模型,最后通常还需要使用测试数据评估模型的性能。keras中的Sequential模型构建也包含这些步骤。

首先,网络的第一层是输入层,读取训练数据。为此,我们需要指定为网络提供的训练数据的大小,这里input_shape参数用于指定输入数据的形状:

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))

上面的代码中,输入层是卷积层,其获取2242243的输入图像。

接下来就是为模型添加中间层和输出层,请参考上面一节的内容,这里不赘述。

然后,进入最重要的部分: 选择优化器(如rmsprop或adagrad)并指定损失函数(如categorical_crossentropy)来指定反向传播的计算方法。在keras中,Sequential模型的compile方法用来完成这一操作。例如,在下面的这一行代码中,我们使用’rmsprop’优化器,损失函数为’binary_crossentropy’。

model.compile(loss='binary_crossentropy',              optimizer='rmsprop')

到这一步,我们创建了模型,接下来就是调用fit函数将数据提供给模型。这里还可以指定批次大小(batch size)、迭代次数、验证数据集等等。其中批次大小、迭代次数需要根据数据规模来确定,并没有一个固定的最优值。

model.fit(x_train, y_train, batch_size=32, epochs=10,validation_data=(x_val, y_val))

最后,使用evaluate方法来评估模型:

score = model.evaluate(x_test,y_test,batch_size = 32)

以上就是在Keras中使用Sequential模型的基本构建块,相对于tensorflow,keras的代码更少,接口更加清晰,更重要的是,keras的后端框架切(比如从tensorflow切换到Theano)换后,我们的代码不需要做任何修改。

使用Sequential模型解决线性回归问题

谈到tensorflow、keras之类的框架,我们的第一反应通常是深度学习,其实大部分的问题并不需要深度学习,特别是在数据规模较小的情况下,一些机器学习算法就可以解决问题。除了构建深度神经网络,keras也可以构建一些简单的算法模型,下面以线性学习为例,说明使用keras解决线性回归问题。

线性回归中,我们根据一些数据点,试图找出最拟合各数据点的直线。为了说明这一问题,我们创建100个数据点,然后通过回归找出拟合这100个数据点的直线。

  • 创建训练数据

import kerasfrom keras.models import Sequentialfrom keras.layers import Denseimport numpy as nptrX = np.linspace(-1, 1, 101)trY = 3 * trX + np.random.randn(*trX.shape) * 0.33

上面这段代码创中,TrainX的值在-1和1之间均匀分布,而TrainY的值为TrainX的三倍,但增加了一些随机扰动。

  • 创建模型

model = Sequential()model.add(Dense(input_dim=1, output_dim=1, init='uniform', activation='linear'))

代码创建一个Sequential模型,这里使用了一个采用线性激活的全连接(Dense)层。它实际上封装了输入值x乘以权重w,加上偏置(bias)b,然后进行线性激活以产生输出。

我们可以查看默认初始化的权重和偏置值:

weights = model.layers[0].get_weights()w_init = weights[0][0][0]b_init = weights[1][0]print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
  • 选择优化器和损失函数

model.compile(optimizer='sgd', loss='mse')

选择简单的梯度递减优化算法,损失函数选择均方差(mean squared error, mse)。

  • 训练模型

model.fit(trX, trY, nb_epoch=200, verbose=1)

训练完毕之后,我们可以再看看权重值和偏置值

weights = model.layers[0].get_weights()w_final = weights[0][0][0]b_final = weights[1][0]print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))

最后的结果为

Linear regression model is trained to have weight w: 2.94, b: 0.08

可以看到,进行200次迭代之后,权重值现在非常接近3。我们可以尝试修改迭代次数,看看不同迭代次数下得到的权重值。

这段例子仅仅作为一个简单的示例,所以没有做模型评估,有兴趣的同学可以构建测试数据自己尝试一下。

总结

keras中的Sequential模型其实非常强大,而且接口简单易懂,大部分情况下,我们只需要使用Sequential模型即可满足需求。在某些特别的场合,可能需要更复杂的模型结构,这时就需要Functional API,在后面的教程中,我将探讨Functional API。

参考

  1. Keras tutorial: Practical guide from getting started to developing complex deep neural network

  2. Getting started with the Keras Sequential model

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注