深度学习神经网络的使用keras搭建

àì夳堔傛蜴生んèń 2024-04-01 18:17 103阅读 0赞

#### 目录 ####

*  1 神经网络的搭建
 *   *  1.1 通过Sequential构建
     *  1.2 利用function API构建
     *  1.3 通过model的子类构建
 *  2 神经网络的优缺点
 *   *  2.1 优点
     *  2.2 缺点
 *  3 总结

--------------------

## 1 神经网络的搭建 ##

接下来我们来构建如下图所示的神经网络模型：

![在这里插入图片描述][c91dfebf32cb4a3c8ff42947cf8ed8c0.png]

tf.Keras中构建模有两种方式，一种是通过Sequential构建，一种是通过[Model][]类构建。前者是按一定的顺序对层进行堆叠，而后者可以用来构建较复杂的网络模型。首先我们介绍下用来构建网络的全连接层：

tf.keras.layers.Dense(
        units, activation=None, use_bias=True, kernel_initializer='glorot_uniform',
        bias_initializer='zeros')

主要参数：

*  units: 当前层中包含的神经元个数
 *  Activation: 激活函数，relu,sigmoid等
 *  use\_bias: 是否使用偏置，默认使用偏置
 *  Kernel\_initializer: 权重的初始化方式，默认是Xavier初始化
 *  bias\_initializer: 偏置的初始化方式，默认为0

### 1.1 通过Sequential构建 ###

Sequential() 提供一个层的列表，就能快速地建立一个神经网络模型，实现方法如下所示：

# 导入相关的工具包
    import tensorflow as tf
    from tensorflow import keras
    from tensorflow.keras import layers
    # 定义一个Sequential模型，包含3层
    model = keras.Sequential(
        [
            # 第一层：激活函数为relu,权重初始化为he_normal
            layers.Dense(3, activation="relu",
                         kernel_initializer="he_normal", name="layer1",input_shape=(3,)),
            # 第二层：激活函数为relu,权重初始化为he_normal
            layers.Dense(2, activation="relu",
                         kernel_initializer="he_normal", name="layer2"),
            # 第三层（输出层）：激活函数为sigmoid,权重初始化为he_normal
            layers.Dense(2, activation="sigmoid",
                         kernel_initializer="he_normal", name="layer3"),
        ],
        name="my_Sequential"
    )

接下来我们使用：

# 展示模型结果
    model.summary()

如下所示：

Model: "my_Sequential"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    layer1 (Dense)               (None, 3)                 12        
    _________________________________________________________________
    layer2 (Dense)               (None, 2)                 8         
    _________________________________________________________________
    layer3 (Dense)               (None, 2)                 6         
    =================================================================
    Total params: 26
    Trainable params: 26
    Non-trainable params: 0
    _________________________________________________________________

通过这种sequential的方式只能构建简单的序列模型，较复杂的模型没有办法实现。

参数量计算：以第一个隐层为例：该隐层有3个神经元，每个神经元的参数为：4个（w1,w2,w3,b1），所以一共用3x4=12个参数。

![在这里插入图片描述][2e6e456a93c7433cb3406c6bbec1abc5.png]

### 1.2 利用function API构建 ###

tf.keras 提供了 Functional API，建立更为复杂的模型，使用方法是将层作为可调用的对象并返回张量，并将输入向量和输出向量提供给 `tf.keras.Model` 的 `inputs` 和 `outputs` 参数，实现方法如下：

# 导入工具包
    import tensorflow as tf
    # 定义模型的输入
    inputs = tf.keras.Input(shape=(3,),name = "input")
    # 第一层：激活函数为relu，其他默认
    x = tf.keras.layers.Dense(3, activation="relu",name = "layer1")(inputs)
    # 第二层：激活函数为relu，其他默认
    x = tf.keras.layers.Dense(2, activation="relu",name = "layer2")(x)
    # 第三层（输出层）：激活函数为sigmoid
    outputs = tf.keras.layers.Dense(2, activation="sigmoid",name = "layer3")(x)
    # 使用Model来创建模型，指明输入和输出
    model = tf.keras.Model(inputs=inputs, outputs=outputs,name="my_model")

同样通过：

# 展示模型结果
    model.summary()

结果如下所示：

Model: "my_model"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    input (InputLayer)           [(None, 3)]               0         
    _________________________________________________________________
    layer1 (Dense)               (None, 3)                 12        
    _________________________________________________________________
    layer2 (Dense)               (None, 2)                 8         
    _________________________________________________________________
    layer3 (Dense)               (None, 2)                 6         
    =================================================================
    Total params: 26
    Trainable params: 26
    Non-trainable params: 0
    _________________________________________________________________

另外也可以通过：

# 模型展示
    keras.utils.plot_model(model,show_shapes=True)

![在这里插入图片描述][8a33b89a67af4c5f8f708d7b014106a3.png]

### 1.3 通过model的子类构建 ###

通过model的子类构建模型，此时需要在\_\_init\_\_中定义神经网络的层，在call方法中定义网络的前向传播过程，实现方法如下：

# 导入工具包
    import tensorflow as tf
    # 定义model的子类
    class MyModel(tf.keras.Model):
        # 在init方法中定义网络的层结构
        def __init__(self):
            super(MyModel, self).__init__()
            # 第一层：激活函数为relu,权重初始化为he_normal
            self.layer1 = tf.keras.layers.Dense(3, activation="relu",
                         kernel_initializer="he_normal", name="layer1",input_shape=(3,))
            # 第二层：激活函数为relu,权重初始化为he_normal
            self.layer2 =tf.keras.layers.Dense(2, activation="relu",
                         kernel_initializer="he_normal", name="layer2")
            # 第三层（输出层）：激活函数为sigmoid,权重初始化为he_normal
            self.layer3 =tf.keras.layers.Dense(2, activation="sigmoid",
                         kernel_initializer="he_normal", name="layer3")
        # 在call方法中万完成前向传播
        def call(self, inputs):
            x = self.layer1(inputs)
            x = self.layer2(x)
            return self.layer3(x)
    # 实例化模型
    model = MyModel()
    # 设置一个输入，调用模型（否则无法使用summay()）
    x = tf.ones((1, 3))
    y = model(x)

同样的我们也可以通过summay方法来查看模型构建的结果

## 2 神经网络的优缺点 ##

### 2.1 优点 ###

*  精度高，性能优于其他的机器学习方法，甚至在某些领域超过了人类
 *  可以近似任意的非线性函数
 *  随之计算机硬件的发展，近年来在学界和业界受到了热捧，有大量的框架和库可供调用

### 2.2 缺点 ###

*  黑箱，很难解释模型是怎么工作的
 *  训练时间长，需要大量的计算力
 *  网络结构复杂，需要调整超参数
 *  小数据集上表现不佳，容易发生过拟合

--------------------

## 3 总结 ##

*  知道深度学习与机器学习的关系

深度学习是机器学习的一个子集，主要区别在是否包含特征工程

*  知道神经网络是什么

一种模仿生物神经网络结构和功能的 **计算模型**

*  知道常见的激活函数

默认使用relu，二分类是sigmoid, 多分类是softmaxs

*  知道参数初始化的常见方法

随机初始化，标准初始化，Xavier初始化，He初始化

*  能够利用tf.keras构建神经网络模型

Sequential的方法，Model的函数式编程，构建model的子类实现

*  了解神经网络的优缺点

[c91dfebf32cb4a3c8ff42947cf8ed8c0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/17588c59a269439f9f9b6dbbe90ce8d1.png
[Model]: https://so.csdn.net/so/search?q=Model&spm=1001.2101.3001.7020
[2e6e456a93c7433cb3406c6bbec1abc5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/c7bad203db194513908b63be6265a3c3.png
[8a33b89a67af4c5f8f708d7b014106a3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/a1d156a01b2c434081fef06bd090b038.png