如何在 Keras 中创建模型?

在本文中，我们将学习如何在 Keras 中创建模型

简介

Keras 是 Python 中的一个开源库，它提供了用于构建人工神经网络模型的 API，具有极大的灵活性。Keras 中的建模可以使用函数式 API 或 Keras 顺序模型来完成。 Keras 模块也可在流行的 Tensorflow 库下使用。

最新版本和安装

截至撰写本文时，keras 的最新版本为 2.1.0。

可以使用 pip 从 PyPI 存储库安装 Keras。

Keras 用于建模的优势

• 由于 Keras 公开的 API 简单，因此可用于快速实现

• Keras 灵活且强大，为构建模型提供了简单和高级的工作流程

• 提供行业强度 API 来构建强大的模型

• 也可用于快速原型设计和研究工作

Keras 模型有两种类型:

1. Keras 顺序模型

顾名思义，Keras 顺序模型让我们可以按顺序逐层构建模型。

这有助于创建仅限于单个输入和输出的模型。它用于构建简单的层。

示例代码片段展示了 Keras 顺序模型的使用。

from keras.models import Sequential
from keras.layers import Dense
model=Sequential()
model.add(Dense(128,input_shape=(8,)))
model.add(Dense(64))
model.add(Dense(32))

2.Keras 函数式 API

Keras 函数式 API 在创建模型方面提供了更大的灵活性。它可以帮助我们创建具有多个输入和输出的模型。可以像在图形中一样添加和共享层。

Keras 函数式 API 可以用作蓝图，图形和节点可以在任何需要的地方使用。

Keras 函数 API 示例 –

from keras.layers import Input, Dense,Concatenate
from keras.models import Model
import numpy as np

# This returns a tensor
inputs = Input(shape=(784,))
# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)
# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
   loss='categorical_crossentropy',
   metrics=['accuracy'])
print(model.summary())
# Keras with muliple inputs
input1 = Input(shape=(32,))
input2 = Input(shape=(64,))
x = Concatenate(axis=1)([input1, input2])
output = Dense(10, activation='softmax')(x)
model10 = Model([input1, input2],output)
print(model10.summary())

使用 Tensorflow API 的 Keras [ 功能性 API ]

Keras 在 Tensorflow 下可用作 tf.keras API。功能性 API 基本上以构建层的有向无环图 (DAG) 为中心。它是层的图。

使用 tensorflow keras 和 mnist 模型的示例:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

inputs = keras.Input(shape=(784,))
image_inputs = keras.Input(shape=(32, 32, 3))
dense_layer = layers.Dense(64, activation="relu")
x = dense_layer(inputs)
x = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(10)(x)
model = keras.Model(inputs=inputs, outputs=outputs, name="mnist")
#TRAINING AND INFERENCE
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

x_train = x_train.reshape(60000, 784).astype("float32") / 255
x_test = x_test.reshape(10000, 784).astype("float32") / 255
model.compile(
   loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
   optimizer=keras.optimizers.RMSprop(),
   metrics=["accuracy"],
)

history = model.fit(x_train, y_train, batch_size=32, epochs=10, validation_split=0.3)
test_scores = model.evaluate(x_test, y_test, verbose=2)
print("Test loss:", test_scores[0])
print("Test accuracy:", test_scores[1])

Functional API 的优势

• 在 Functional API 中，输入形状和 dtype 是使用 Input 预先创建的。API 将对输入和 dtype 传递的规范进行内部检查，并提出有用的建议。

• 可以绘制图形，我们可以访问图形中的中间节点。例如

features_list = [layer.output for layer in vgg19.layers] feat_extraction_model = keras.Model(inputs=vgg19.input, output=features_list)

• Functional API 是可序列化的，并且可以作为单个文件存储，因为它是一种数据结构。

Functional API 的缺点

• 不支持动态架构，因为 Functional API 将网络视为有向无环图。

结论

由于 Keras 简单且稳健，因此它是一种强大的工具/库，可用于深度学习模型实现，既可用于工业，也可用于原型设计。尽管 Sequential API 有助于构建快速模型，但在需要更多控制的情况下，Functional API 可以提供帮助。

相关文章

• 如何在 Keras 中创建模型?