输入模式与网络架构间的对应关系：
- 向量数据：密集连接网络（Dense层）
- 图像数据：二维卷积神经网络
- 声音数据（比如波形）：一维卷积神经网络（首选）或循环神经网络
- 文本数据：一维卷积神经网络（首选）或循环神经网络
- 时间序列数据：循环神经网络（首选）或一维卷积神经网络
- 其他类型的序列数据：循环神经网络或一维卷积神经网络。如果数据顺序非常重要（比如时间序列，但文本不是），那么首选循环神经网络
- 视频数据：三维卷积神经网络（如果需要捕捉运动效果），或者帧级的二维神经网络（用于特征提取）+循环神经网络或一维卷积神经网络（用于处理得到的序列）
- 立体数据：三维卷积神经网络
三种网络架构：
-
1.密集连接网络
-
2.卷积网络
-
3.循环网络
1.密集连接网络
密集连接网络是Dense层的堆叠，用于处理向量数据（向量批量）。这种网络假设输入特征中没有特定结构：之所以叫作密集连接，是因为Dense层的每个单元都和其他所有单元相连接；
from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(1,activation='sigmoid')) model.compile(optimizer='rmsprop',loss='binary_crossentropy')
|
对于二分类问题，层堆叠的最后一层使用sigmoid激活且 只有一个单元的Dense层，并使用binary_crossentropy 作为损失，目标应该是0或1. |
from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes,activation='softmax')) model.compile(optimizer='rmsprop',loss='categorical_crossentropy') |
对于单标签多分类问题，每个样本只有一个类别(不会超过一个)， 层堆叠的最后一层是一个Dense层，它使用softmax激活，其 单元个数等于类别个数。如果目标是one-hot编码的，那么使用 categorical_crossentropy作为损失；如果目标是整数，那么 使用sparse_categorical_crossentropy作为损失
|
from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes,activation='sigmoid')) model.compile(optimizer='rmsprop',loss='binary_crossentropy') |
对于多标签多分类问题，每个样本可以有多个类别，层堆叠的最后一层 是一个Dense层，它使用sigmoid激活其单元个数等于类别个数，并使用 binary_crossentropy作为损失，目标应该是k-hot编码的 |
from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes) model.compile(optimizer='rmsprop',loss='mse')
|
对于连续值向量的回归问题，层堆叠的最后一层是一个不带激活Dense层， 其单元个数等于你要预测的值的个数（通常只有一个值，比如房价）。 有几种损失可用于回归问题，最常见的是 mena_squared_error（均方误差，MSE）和 mean_absolute_error（平均绝对误差，MAE） |
2.卷积神经网络
卷积层能够查看空间局部模式，其方法是对输入张量的不同空间位置(图块)应用相同的几何变换。这样得到的表示具有平移不变性，这使得卷积层能够高效利用数据，并且能够高度模块化。
卷积神经网络或卷积网络是卷积层和最大池化层的堆叠。池化层可以对数据进行空间下采样， 这么做有两个目的：随着特征数量的增大，我们需要让特征图的尺寸保持在合理范围内；让后面的卷积层能够“看到”输入中更大的空间范围。卷积神经网络的最后通常是一个 Flatten 运算 或全局池化层，将空间特征图转换为向量，然后再是 Dense 层，用于实现分类或回归。 注意，大部分（或者全部）普通卷积很可能不久后会被深度可分离卷积（depthwise separable convolution，SeparableConv2D 层）所替代，后者与前者等效，但速度更快、表示效率更高。 对于三维、二维和一维的输入来说都是如此。如果你从头开始构建一个新网络，那么一定要使用深度可分离卷积。SeparableConv2D 层可直接替代 Conv2D 层，得到一个更小、更快的网络， 在任务上的表现也更好。
model = models.Sequential() model.add(layers.SeparableConv2D(32, 3, activation='relu', input_shape=(height, width, channels))) model.add(layers.SeparableConv2D(64, 3, activation='relu')) |
图像多分类 |
3.循环神经网络
循环神经网络(RNN)的工作原理是，对输入序列每次处理一个时间步，并且自始至终保存一个状态（state，这个状态通常是一个向量或一组向量，即状态几何空间中的点）。
如果序列中的模式不具有时间平移不变性，那么应该优先使用循环神经网络，而不是一维卷积神经网络。keras中有三种RNN层:SimpleRNN/GRU/LSTM。对于大多数实际用途，你应该使用GRU或LSTM。两者中LSTM更强大，计算代价也更高。可以将GRU看作是一种更简单、计算代价更小的替代方法。想要将多个RNN层逐个堆叠在一起，最后一层之前的每一层都应该返回输出的完整序列（每个输入时间步都对应一个输出时间步）。
如果你不再堆叠更多的RNN层，那么通常只返回最后一个输出，其中包含关于整个序列的二分类。
model = models.Sequential() model.add(layers.LSTM(32, input_shape=(num_timesteps, num_features))) |
一个单层 RNN 层，用于向量序列的二分类 |
model = models.Sequential() model.add(layers.LSTM(32, return_sequences=True, input_shape=(num_timesteps, num_features))) model.add(layers.LSTM(32, return_sequences=True)) model.add(layers.LSTM(32)) model.add(layers.Dense(num_classes, activation='sigmoid')) model.compile(optimizer='rmsprop', loss='binary_crossentropy') |
RNN 层的堆叠，用于向量序列的二分类。 |