2.构建中间层与输出层并连接神经层

2022-02-11

函数式API比keras.()更加灵活多变。

API主要用于多输入多输出的网络模型。

使用函数式API搭建神经网络主要分为3个步骤，1.搭建输入层，2.搭建中间层和输出层并连接神经层，3.@ >生成神经网络模型。

1.构建输入层

输入层的构造比较简单，调用keras.Input()方法来构造输入层。

1 input = keras.Input(shape = (28, 28))

shape参数是输入数据的形状（这里输入的是一个28*28的二维数据）。

2.搭建中间层和输出层并连接神经层

上一篇博文提到过，输出层和中间层的区别主要在于激活函数/分类器的选择，其他部分大致相同，这里就讲一下。

API是将神经网络层作为函数相互调用，达到将神经层连接成神经网络的目的。

在构建神经层时可以直接连接，结构与模型相似。

1 x = keras.layers.Flatten()(input) #调用函数式API
2 x = keras.layers.Dense(32, activation = "relu")(x)
3 x = keras.layers.Dropout(0.5)(x)
4 x = keras.layers.Dense(64, activation = "relu")(x)
5 output = keras.layers.Dense(10, activation = "softmax")(x)

或者先构建神经层，然后按照你想要的顺序连接它们。

1 a = keras.layers.Flatten()(input) 
2 b = keras.layers.Dense(32, activation = "relu")
3 b = b(a)
4 c = keras.layers.Dropout(0.5)
5 c = z(b)
6 d = keras.layers.Dense(64, activation = "relu")
7 d = d(c)
8 output = keras.layers.Dense(10, activation = "softmax")
9 output = output(d)

很容易看出使用函数式API比较麻烦，但可以看出它比模型灵活得多。

3.@>生成神经网络模型

使用 keras.Model() 方法生成网络模型

1 model = keras.Model(inputs = input, outputs = output)

参数分别是神经网络的输入层和输出层。

最后使用.()方法和.fit()方法确定模型训练过程并进行训练。

分类：

技术要点：

相关文章：