Keras – 模型

正如前面所学，Keras模型代表了实际的神经网络模型。Keras提供了两种模式来创建模型，一种是简单易用的 Sequential API ，另一种是更加灵活和先进的 Functional API。 在本章中，让我们学习如何使用 顺序性 和 功能性 API创建模型。

Sequential

Sequential API 的核心思想是简单地将Keras层按顺序排列，因此，它被称为 序列式API。 大多数ANN也是按顺序排列层，数据按给定的顺序从一个层流向另一个层，直到数据最终到达输出层。

一个ANN模型可以通过简单地调用 Sequential() API来创建，具体方法如下

from keras.models import Sequential 
model = Sequential()

添加图层

要添加一个图层，只需使用Keras图层API创建一个图层，然后通过add()函数传递该图层，具体方法如下

from keras.models import Sequential 

model = Sequential() 
input_layer = Dense(32, input_shape=(8,)) model.add(input_layer) 
hidden_layer = Dense(64, activation='relu'); model.add(hidden_layer) 
output_layer = Dense(8) 
model.add(output_layer)

这里，我们创建了一个输入层，一个隐藏层和一个输出层。

访问模型

Keras提供了一些方法来获取模型信息，如层、输入数据和输出数据。它们如下

model.layer – 以列表形式返回模型的所有层。

>>> layers = model.layers 
>>> layers 
[
   <keras.layers.core.Dense object at 0x000002C8C888B8D0>, 
   <keras.layers.core.Dense object at 0x000002C8C888B7B8>
   <keras.layers.core.Dense object at 0x 000002C8C888B898>
]

model.inputs – 以列表形式返回模型的所有输入张量。

>>> inputs = model.inputs 
>>> inputs 
[<tf.Tensor 'dense_13_input:0' shape=(?, 8) dtype=float32>]

model.output – 以列表形式返回模型的所有输出张量。

>>> outputs = model.outputs 
>>> outputs 
<tf.Tensor 'dense_15/BiasAdd:0' shape=(?, 8) dtype=float32>]

model.get_weights – 以NumPy数组形式返回所有的权重。
model.set_weights(weight_numpy_array) – 设置模型的权重。

序列化模型

Keras提供了将模型序列化为对象和json的方法，并在以后再次加载。它们如下

get_config() – 将模型作为一个对象进行IR返回。

config = model.get_config()

from_config() – 它接受模型配置对象作为参数并相应地创建模型。

new_model = Sequential.from_config(config)

to_json() – 将模型作为一个json对象返回。

>>> json_string = model.to_json() 
>>> json_string '{"class_name": "Sequential", "config": 
{"name": "sequential_10", "layers": 
[{"class_name": "Dense", "config": 
{"name": "dense_13", "trainable": true, "batch_input_shape": 
[null, 8], "dtype": "float32", "units": 32, "activation": "linear", 
"use_bias": true, "kernel_initializer": 
{"class_name": "Vari anceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}},
"bias_initializer": {"class_name": "Zeros", "conf 
ig": {}}, "kernel_regularizer": null, "bias_regularizer": null, 
"activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, 
{" class_name": "Dense", "config": {"name": "dense_14", "trainable": true, 
"dtype": "float32", "units": 64, "activation": "relu", "use_bias": true, 
"kern el_initializer": {"class_name": "VarianceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, 
"bias_initia lizer": {"class_name": "Zeros", 
"config": {}}, "kernel_regularizer": null, "bias_regularizer": null, 
"activity_regularizer": null, "kernel_constraint" : null, "bias_constraint": null}}, 
{"class_name": "Dense", "config": {"name": "dense_15", "trainable": true, 
"dtype": "float32", "units": 8, "activation": "linear", "use_bias": true, 
"kernel_initializer": {"class_name": "VarianceScaling", "config": 
{"scale": 1.0, "mode": "fan_avg", "distribution": " uniform", "seed": null}}, 
"bias_initializer": {"class_name": "Zeros", "config": {}}, 
"kernel_regularizer": null, "bias_regularizer": null, "activity_r egularizer": 
null, "kernel_constraint": null, "bias_constraint": 
null}}]}, "keras_version": "2.2.5", "backend": "tensorflow"}' 
>>>

model_from_json() – 接受模型的json表示并创建一个新的模型。

from keras.models import model_from_json 
new_model = model_from_json(json_string)

to_yaml() – 返回模型为yaml字符串。

>>> yaml_string = model.to_yaml() 
>>> yaml_string 'backend: tensorflow\nclass_name: 
Sequential\nconfig:\n layers:\n - class_name: Dense\n config:\n 
activation: linear\n activity_regular izer: null\n batch_input_shape: 
!!python/tuple\n - null\n - 8\n bias_constraint: null\n bias_initializer:\n 
class_name : Zeros\n config: {}\n bias_regularizer: null\n dtype: 
float32\n kernel_constraint: null\n 
kernel_initializer:\n cla ss_name: VarianceScaling\n config:\n 
distribution: uniform\n mode: fan_avg\n 
scale: 1.0\n seed: null\n kernel_regularizer: null\n name: dense_13\n 
trainable: true\n units: 32\n 
use_bias: true\n - class_name: Dense\n config:\n activation: relu\n activity_regularizer: null\n 
bias_constraint: null\n bias_initializer:\n class_name: Zeros\n 
config : {}\n bias_regularizer: null\n dtype: float32\n 
kernel_constraint: null\n kernel_initializer:\n class_name: VarianceScalin g\n 
config:\n distribution: uniform\n mode: fan_avg\n scale: 1.0\n 
seed: null\n kernel_regularizer: nu ll\n name: dense_14\n trainable: true\n 
units: 64\n use_bias: true\n - class_name: Dense\n config:\n 
activation: linear\n activity_regularizer: null\n 
bias_constraint: null\n bias_initializer:\n 
class_name: Zeros\n config: {}\n bias_regu larizer: null\n 
dtype: float32\n kernel_constraint: null\n 
kernel_initializer:\n class_name: VarianceScaling\n config:\n 
distribution: uniform\n mode: fan_avg\n 
scale: 1.0\n seed: null\n kernel_regularizer: null\n name: dense _15\n 
trainable: true\n units: 8\n 
use_bias: true\n name: sequential_10\nkeras_version: 2.2.5\n' 
>>>

model_from_yaml() – 接受模型的yaml表示并创建一个新的模型。

from keras.models import model_from_yaml 
new_model = model_from_yaml(yaml_string)

总结模型

了解模型是非常重要的阶段，可以正确地将其用于训练和预测目的。Keras提供了一个简单的方法，即总结，以获得关于模型及其层的全部信息。

上一节创建的模型摘要如下 −

>>> model.summary() Model: "sequential_10" 
_________________________________________________________________ 
Layer (type) Output Shape Param 
#================================================================ 
dense_13 (Dense) (None, 32) 288 
_________________________________________________________________ 
dense_14 (Dense) (None, 64) 2112 
_________________________________________________________________ 
dense_15 (Dense) (None, 8) 520 
================================================================= 
Total params: 2,920 
Trainable params: 2,920 
Non-trainable params: 0 
_________________________________________________________________ 
>>>

训练和预测模型

模型为训练、评估和预测过程提供功能。它们如下 –

编译 – 配置模型的学习过程
装配– 使用训练数据训练模型
评估- -使用测试数据评估模型
预测 – 预测新输入的结果。

功能性API

序列式API用于逐层创建模型。功能性API是一种创建更复杂模型的替代方法。功能性模型，你可以定义多个共享层的输入或输出。首先，我们为模型创建一个实例，并连接到各层以访问模型的输入和输出。本节简要地解释了功能模型。

创建一个模型

使用下面的模块导入一个输入层

>>> from keras.layers import Input

现在，使用下面的代码创建一个输入层，指定模型的输入尺寸形状。

>>> data = Input(shape=(2,3))

使用以下模块定义输入层—

>>> from keras.layers import Dense

使用下面这行代码为输入添加密集层

>>> layer = Dense(2)(data) 
>>> print(layer) 
Tensor("dense_1/add:0", shape =(?, 2, 2), dtype = float32)

使用以下模块定义模型

from keras.models import Model

通过指定输入层和输出层，以功能化的方式创建一个模型。

model = Model(inputs = data, outputs = layer)

创建一个简单模型的完整代码如下所示

from keras.layers import Input 
from keras.models import Model 
from keras.layers import Dense 

data = Input(shape=(2,3)) 
layer = Dense(2)(data) model = 
Model(inputs=data,outputs=layer) model.summary() 
_________________________________________________________________ 
Layer (type)               Output Shape               Param # 
================================================================= 
input_2 (InputLayer)       (None, 2, 3)               0 
_________________________________________________________________ 
dense_2 (Dense)            (None, 2, 2)               8 
================================================================= 
Total params: 8 
Trainable params: 8 
Non-trainable params: 0 
_________________________________________________________________