Sequential模型

Sequential模型字面上的翻譯是順序模型凿可，感覺是簡單的線性模型裹粤，但實際上Sequential模型可以構(gòu)建非常復(fù)雜的神經(jīng)網(wǎng)絡(luò)拯坟，包括全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)夕膀、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等等果善。Sequential更準確的理解應(yīng)該為堆疊讲逛，通過堆疊許多不同的層，構(gòu)建出深度神經(jīng)網(wǎng)絡(luò)岭埠。

Sequential模型的核心操作

最核心的操作是添加圖層盏混，以下收錄一些比較流行的圖層：

備注：
可以參考官方介紹layer的中文文檔：https://keras-cn.readthedocs.io/en/latest/layers/about_layer/

Sequential模型開發(fā)流程

Sequential模型構(gòu)建通常5步：
1.定義模型
2.定義目標
3.輸入數(shù)據(jù)
4.訓(xùn)練模型
5.評估模型

Sequential模型實操

import keras
import numpy as np
import matplotlib.pyplot as plt
# Sequential按順序構(gòu)成的模型
from keras.models import Sequential
# Dense全連接層
from keras.layers import Dense, Activation
# 優(yōu)化器：隨機梯度下降
from keras.optimizers import SGD

# 生成非線性數(shù)據(jù)模型
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)
number = 100
x_data = np.linspace(-4, 4, number)
y_data = np.sin(x_data)+np.random.uniform(-0.5, 0.5, number)

print(x_data)
print(y_data)
# 顯示隨機點
plt.scatter(x_data, y_data)
plt.show()
##################################################################################
# 構(gòu)建一個順序模型
model = Sequential()

# 在模型中添加一個全連接層
# 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：1-10-1句喜，即輸入層為1個神經(jīng)元，隱藏層10個神經(jīng)元沟于，輸出層1個神經(jīng)元咳胃。 

# 激活函數(shù)加法1
model.add(Dense(units=10, input_dim=1))
model.add(Activation('tanh'))
model.add(Dense(units=1))
model.add(Activation('tanh'))

# 定義優(yōu)化算法
sgd = SGD(lr=0.3)
# sgd: Stochastic gradient descent,隨機梯度下降法
# mse: Mean Squared Error, 均方誤差
model.compile(optimizer=sgd, loss='mse')

# 進行訓(xùn)練
for step in range(3000):
    # 每次訓(xùn)練一個批次
    cost = model.train_on_batch(x_data, y_data)
    # 每500個batch打印一次cost值
    if step % 200 == 0:
        print('cost: ', cost)
# 打印權(quán)值和偏置值
W, b = model.layers[0].get_weights()
print('W：', W, ' b: ', b)
print(len(model.layers))

# 把x_data輸入網(wǎng)絡(luò)中，得到預(yù)測值y_pred
y_pred = model.predict(x_data)

# 顯示隨機點
plt.scatter(x_data, y_data)
# 顯示預(yù)測結(jié)果
plt.plot(x_data, y_pred, 'r-', lw=3)
plt.show()

上面的代碼中旷太，輸入層是全連接層展懈。接下來就是為模型添加中間層和輸出層。定義優(yōu)化器(并指定損失函數(shù))來指定反向傳播的計算方法供璧。在keras中存崖，Sequential模型的compile方法用來完成這一操作。
例如睡毒，在下面的這一行代碼中来惧，我們使用’sgd’優(yōu)化器，損失函數(shù)為’mse’演顾。

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

創(chuàng)建了模型開始訓(xùn)練供搀。設(shè)置迭代次數(shù)、驗證數(shù)據(jù)集等等偶房。

cost = model.train_on_batch(x_data, y_data)

最后趁曼，使用predict方法來看看預(yù)測結(jié)果：

y_pred = model.predict(x_data)

以上就是在Keras中使用Sequential模型的基本構(gòu)建塊，相比tensorflow棕洋，keras的代碼更少，不用關(guān)心具體的算法實現(xiàn)乒融。
總結(jié)
keras中的Sequential模型其實非常強大掰盘，而且接口簡單易懂摄悯，大部分問題，只需要使用Sequential模型即可滿足需求愧捕。只是當工具使用即可奢驯，集中精力解決具體的問題。