Keras框架

在Keras中有两种深度学习的模型：序列模型（Sequential）和通用模型（Model）。

序列模型 Sequential

1、序列模型各层之间是依次顺序的线性关系，模型结构通过一个列表来制定。
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)


2、或者逐层添加网络结构
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'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

通用模型Model

通用模型可以设计非常复杂、任意拓扑结构的神经网络，例如有向无环网络、共享层网络等。相比于序列模型只能依次线性逐层添加，通用模型能够比较灵活地构造网络结构，设定各层级的关系。

from keras.layers import Input, Dense
from keras.models import Model
# 定义输入层，确定输入维度
input = input(shape = (784, ))
# 2个隐含层，每个都有64个神经元，使用relu激活函数，且由上一层作为参数
x = Dense(64, activation='relu')(input)
x = Dense(64, activation='relu')(x)
# 输出层
y = Dense(10, activation='softmax')(x)
# 定义模型，指定输入输出
model = Model(input=input, output=y)
# 编译模型，指定优化器，损失函数，度量
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
# 模型拟合，即训练
model.fit(data, labels)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

保存模型的四种方式

model.save()
model.save_weights()
model.to_json()
model.to_yaml()