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:
© 版权声明
本站下载的源码均来自公开网络收集转发二次开发而来,
若侵犯了您的合法权益,请来信通知我们1413333033@qq.com,
我们会及时删除,给您带来的不便,我们深表歉意。
下载用户仅供学习交流,若使用商业用途,请购买正版授权,否则产生的一切后果将由下载用户自行承担,访问及下载者下载默认同意本站声明的免责申明,请合理使用切勿商用。
THE END
暂无评论内容