Keras Sequential顺序模型

keras是基于tensorflow封装的的高级API，Keras的优点是可以快速的开发实验，它能够以TensorFlow, CNTK, 或者 Theano 作为后端运行。

模型构建

最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

用Keras定义网络模型有两种方式，

• Sequential 顺序模型
• Keras 函数式 API模型

1、Sequential 顺序模型

from keras.models import Sequential

model = Sequential()

我们可以通过将网络层实例的列表传递给 Sequential 的构造器，来创建一个 Sequential模型，：

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

也可以通过 .add()的方法将各层添加到网络中

from keras.layers import Dense
from keras.model import Sequential

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

模型需要知道它所期望的出入尺寸，所以模型中的第一层需要接收关于出入尺寸的信息

• 传递一个 input_shape 参数给第一层。它是一个表示尺寸的元组 (一个整数或 None 的元组，其中 None 表示可能为任何正整数)。在 input_shape 中不包含数据的 batch 大小。
• 某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸，某些 3D 时序层支持 input_dim 和 input_length 参数。
• 如果你需要为你的输入指定一个固定的 batch 大小（这对 stateful RNNs 很有用），你可以传递一个 batch_size 参数给一个层。如果你同时将 batch_size=32 和 input_shape=(6, 8) 传递给一个层，那么每一批输入的尺寸就为 (32，6，8)。

model.add(Dense(32, input_shape=(784,)))
# 这两段代码是等价的 
model.add(Dense(32, input_dim=784))

 Dense的参数

activation: 激活函数

kernel_initializer和bias_initializer: 权重和偏置项的初始化方案

kernel_regularizer和bias_regularizer: 权重和偏置项的正则方案，L1或L2

layers.Dense(64, activation='sigmoid')
# 或者
layers.Dense(64, activation=tf.sigmoid)

# 一个线性层，系数0.01的l1正则化权重
layers.Dense(64, kernel_regularizer=tf.keras.regularizers.l1(0.01))
# 将因子0.01的L2正则化的线性层应用于偏置项
layers.Dense(64, bias_regularizer=tf.keras.regularizers.l2(0.01))
# 初始化为随机正交矩阵的线性层
layers.Dense(64, kernel_initializer='orthogonal')    
# 一个线性层，偏置项初始化为2.0s
layers.Dense(64, bias_initializer=tf.keras.initializers.constant(2.0))    

Model类模型的方法

Model主要有以下方法 compile、fit、evaluate、predict...

在函数式API中，给定一些输入张量和输出张量，可以实例化一个Model:

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

a = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)

这个model模型包含从a到b计算的所有网络层

在多输入或多输出模型的情况下，我们可以使用以下列表

model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])

model.summary()     　　　　# 在模型编译之后，打印网络结构

print(model.output_shape)　　  # 打印模型输出

模型编译

我们需要配置模型的学习过程，这是通过 compile() 方法

参数

• 优化器 optimizer。它可以是现有优化器的字符串标识符。详见：optimizers。
• 损失函数 loss，模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，也可以是一个目标函数。常见的选择包括均方误差(mse)、categorical_crossentropy 和 binary_crossentropy，详见：losses。
• 评估标准 metrics。对于任何分类问题，你都希望将其设置为 metrics = ['accuracy']。评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。

# 多分类问题
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 二分类问题
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 均方误差回归问题
model.compile(optimizer='rmsprop',
              loss='mse')

# 自定义评估标准函数
import keras.backend as K

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

自定义评估标准方法，传了两个方法进去，那到底该用哪个呢？

模型训练

训练网络模型时，我们通常会使用 fit() 函数，keras.Model.fit()包含三个重要的参数，文档详见此处。

• epochs：训练的轮次，每一轮对整个输入数据进行一次迭代
• batch_size：将模型数据分成n个较小的批次，注意：如果样本总数不能被批次大小整除，则最后一个批次可能更小
• validation_data：验证数据的准确率 输入和标签的元组

训练模型：现在我们可以批量地在训练数据上迭代了：

model.fit(x_train, y_train, epochs=5, batch_size=32)

或者我们可以手动的将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

对于具有 2 个类的单输入模型（二进制分类）：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))    # 0~1之间的随机数
# 生成2个类别的（1000，1）的数组
labels = np.random.randint(2, size=(1000, 1))

# 训练模型，以 32 个样本为一个 batch 进行迭代
model.fit(data, labels, epochs=10, batch_size=32)

对于具有 10 个类的单输入模型（多分类分类）：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# 将标签转换为分类的 one-hot 编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练模型，以 32 个样本为一个 batch 进行迭代
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

模型评估

evaluate

model.evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

在测试模式下返回模型的误差值和评估标准值，计算是分批次进行的

参数：

X： 测试数据的Numpy数组

y: 目标（标签）数据的Numpy数组或列表

batch_size: 整数或None，每次评估的样本数，如果未指定，默认为32

vebose: 0或1，日志显示模型，0=安静模型，1=进度条

steps: 声明评估结束之前的总步数（批次样本）。默认值 None

返回：

测试数据的误差值

predict

predict(x, batch_size=None, verbose=0, steps=None)

classes = model.predict(x_test, batch_size=128)
# [11.43181880315145, 0.18333333333333332]

为输入样本生成输出预测，计算是分批进行的

参数：

X: 输入数据的Numpy数组

batch_size: 整数，如果未指定，默认为32

verbose: 日志显示模式，0或1

steps: 声明预测结束之前的总步数，默认为 None

返回:

预测的Numpy数组

train_on_batch

train_on_batch(x, y, sample_weight=None, class_weight=None)

train_on_batch(x_train, y_train)

进行一批样本的单次梯度更新，在一批样本上训练数据

参数：

X: 训练数据的Numpy数组

Y: 目标（标签）的Numpy数组

sample_weight: 可选数组，与x长度相同，包含应用到模型损失函数的每个样本的权重

chass_weight: 可选字典，以在训练时对模型的损失函数加权

返回：

训练数据的误差值

test_on_batch

test_on_batch(x_test, y_teat, sample_weight=None)

在一批样本上测试模型

参数：

X: 测试数据的Numpy数组

y: 目标（标签）数据的numpy数组

返回：

测试数据的误差值

predict_on_batch

predict_on_batch(x)

返回一批样本的模型预测值

参数：

X: 输入数据的Numpy

返回:

预测值的Numpy数组

样例

在 examples 目录 中，你可以找到真实数据集的示例模型：

• CIFAR10 小图片分类：具有实时数据增强的卷积神经网络 (CNN)
• IMDB 电影评论情感分类：基于词序列的 LSTM
• Reuters 新闻主题分类：多层感知器 (MLP)
• MNIST 手写数字分类：MLP & CNN
• 基于 LSTM 的字符级文本生成

...以及更多。

基于多层感知器 (MLP) 的 softmax 多分类：

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD

# 生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)

model = Sequential()
# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸：
# 在这里，是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

基于多层感知机的二分类：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout

# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))

model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

类似VGG的卷积神经网络：

import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.optimizers import SGD

# 生成虚拟数据
x_train = np.random.random((100, 100, 100, 3))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
x_test = np.random.random((20, 100, 100, 3))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)

model = Sequential()
# 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。
# 使用 32 个大小为 3x3 的卷积滤波器。
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)

model.fit(x_train, y_train, batch_size=32, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=32)

基于 1D 卷积的序列分类：

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import Conv1D, GlobalAveragePooling1D, MaxPooling1D

seq_length = 64

model = Sequential()
model.add(Conv1D(64, 3, activation='relu', input_shape=(seq_length, 100)))
model.add(Conv1D(64, 3, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=16, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=16)