序贯模型

 

模型搭建

举一个最简单的MLP例子，这下面我们添加的都是全连接层

from keras.models import Sequential

from keras.layers import Dense, Activation

model = Sequential()  #序贯模型

model.add(Dense(units=64, input_dim=100))

model.add(Activation("relu"))     

model.add(Dense(units=10))

model.add(Activation("softmax"))

#或者使用一次性搭建的方式

model = Sequential([Dense(32, units=784),Activation('relu'),Dense(10),Activation('softmax')])

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

from keras.optimizers import SGD  #定制损失函数。Keras里也封装好了很多优化器和损失函数

model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

输入数据并训练

注意：batch_size太大可能不能收敛到最低点，batch_size太小测试的准确率会剧烈震荡

1）model.fit(x_train, y_train, epochs=5, batch_size=32)

2）model.train_on_batch(x_batch, y_batch)  #自己定义batch训练

3）如果你的数据量很大，你可能要用到fit_generator

def generate_arrays_from_file(path):

    while 1:

        f = open(path)

        for line in f:

            x, y = process_line(line)

            img = load_images(x)

            yield (img, y)

        f.close()

​

model.fit_generator(generate_arrays_from_file('/my_file.txt'), samples_per_epoch=10000, nb_epoch=10)

测试集评估与预测

在测试集上评估效果

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

实际预测

classes = model.predict(x_test, batch_size=128)

优化器optimizer、损失函数loss、评估指标metrics

# 多分类问题

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

​

# 二分类问题

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

​

# 回归问题

model.compile(optimizer='rmsprop', loss='mse')

​

# 自定义metrics

import keras.backend as K

​

def mean_pred(y_true, y_pred):

    return K.mean(y_pred)

​

model.compile(optimizer='rmsprop',

              loss='binary_crossentropy',

              metrics=['accuracy', mean_pred])