创建网络的若干方式

本是古典何须时尚 2022-12-23 11:19 61阅读 0赞

keras.models.Sequential() ()

适用于简单线性堆叠网络。  
流程：创建Sequential()对象，逐层堆叠网络

import tensorflow as tf
    from tensorflow.keras import layers, models
    
    model = models.Sequential()
    
    model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.Flatten())
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    
    model.summary()

也可以不使用.add方法。直接在Sequntial里放入层列表

import tensorflow as tf
    from tensorflow.keras import layers, models
    
    model = models.Sequential([
        layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
        layers.MaxPooling2D((2, 2)),
        layers.Conv2D(64, (3, 3), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        layers.Conv2D(64, (3, 3), activation='relu'),
        layers.Flatten(),
        layers.Dense(64, activation='relu'),
        layers.Dense(10, activation='softmax')
    ])
    
    model.summary()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pxeDk1MTEwMg_size_16_color_FFFFFF_t_70_pic_center]  
注意：input\_shape=(32, 32, 3)，在模型搭建过程中会自动填空Batch维度，即None。而不需要在定义input\_shape的时候进行定义。  
第一列中的层名是按照层的类型默认1开始的序列后缀命名。

keras.models.Model()

如果我们像实现一些更为复杂的网络，比如多输入多输出的模型就需要使用到keras.models.Model()来构建网络。如下代码同时输出最后卷积层Flatten后提取的特征层，以及分类结构。  
流程使用keras.Input定义输入张量shape， 创建网络层；定义每层的输入和输出张量；keras.models.Model确定输入张量和输出层，keras可以根据每一层的输入输出关系完成整个网络图的创建。

import tensorflow as tf
    from tensorflow.keras import layers, models, Input
    
    input_tensor = Input(shape=(32, 32, 3))
    
    x = layers.Conv2D(32, (3, 3), activation='relu')(input_tensor)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(64, (3, 3), activation='relu')(x)
    x = layers.MaxPooling2D((2, 2))(x)
    x = layers.Conv2D(64, (3, 3), activation='relu')(x)
    
    output_tensor1=layers.Flatten()(x)
    x = layers.Dense(64, activation='relu')(output_tensor1)
    
    output_tensor2 = layers.Dense(10, activation='softmax')(x)
    
    model = models.Model(inputs=input_tensor, outputs=[output_tensor1, output_tensor2])
    
    model.summary()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pxeDk1MTEwMg_size_16_color_FFFFFF_t_70_pic_center 1]  
第一层卷积核参数：896=((3x3)x3+1)x32  
第二层卷积核参数：18496=((3x3)x32+1)x64  
第三个卷积核参数：36928=((3x3)x64+1)x64  
(卷积核面积x上一层层数+1)x下一层层数  
加1表示bias  
可以看出CNN网络参数只与卷积核的尺寸，以及相邻特征层的层数有关，因此理论上，网络可以对不同尺寸的图像进行特征提取，但是由于Tensorflow是静态图，会指定输入尺寸。这里就体现了Pytorch动态图优势。

第一个全连接层参数：1024x(64+1)=65600  
第二个全连接层参数：10x(64+1)=650  
(上一层层数+1)x下一层层数

分析：卷积层params=(卷积核权值+偏置)*卷积核个数=(高*宽*深度+1)32=(33*3+1)\*32

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pxeDk1MTEwMg_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/d45b237ba5684c66ae2224c36e5ca185.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pxeDk1MTEwMg_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/6616afb92a8f41ac8a64487cc6c46541.png