Keras大法（5）——使用Sequential方法定义模型

Friedrich Yuan 2018-11-29 16:20:29

11841

分类专栏： Keras大法文章标签： keras TensorFlow 人工智能机器学习 keras教程

最后发布:2018-11-29 16:20:29首次发布:2018-11-29 16:20:29

本文链接：https://blog.csdn.net/weixin_42499236/article/details/84620087

版权

Keras大法（5）——使用Sequential方法定义模型

（一）问题描述
（二）模型实现
（三）总结

（一）问题描述

我们需要定义的网络结构如下，一共有四层网络，依次含有784、512、512、10个神经元节点，接下来我们使用Keras来实现这个模型。
在这里插入图片描述

（二）模型实现

（1）导入类库

from tensorflow import keras

（2）模型定义

细心的朋友可能已经发现，这是用来识别MNIST数据集的模型

model = keras.models.Sequential()
model.add(keras.layers.Dense(784, input_dim=784, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(512, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(512, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(10, kernel_initializer='normal', activation= 'softmax'))

（3）模型编译

使用交叉熵作为损失函数，使用Adam优化算法：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

（4）模型训练

model.fit(x_train, y_train, epochs=10, batch_size=200, verbose=1)

（5）模型保存

model.save('/model.h5')

（6）完整代码

输入数据即可开始训练，注意这里的代码没有输入数据的操作！仅提供设计思路。

from tensorflow import keras

# 定义模型
model = keras.Sequential()
model.add(keras.layers.Dense(784, input_dim=784, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(512, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(512, kernel_initializer='normal', activation= 'tanh'))
model.add(keras.layers.Dense(10, kernel_initializer='normal', activation= 'softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 拟合模型
model.fit(x_train, y_train, epochs=10, batch_size=200, verbose=1)