python《深度学习》keras基本理解

浅浅的花香味﹌ 2023-01-03 01:43 133阅读 0赞

### python《深度学习》keras初步理解 ###

*  一、Sequential()
 *  二、层与神经元

# 一、Sequential() #

from keras import models#构架模型
    from keras import layers#神经网络层
    from keras.datasets import imdb
    #其中imdb是电影评论数据集，但是被处理过，	已被编码过了，所以只有index,而没有实际内容，需要进行转化
    
    model = models.Sequential()#网络结构决定了假设空间，这是线性堆叠方式

线性堆叠方式也即序贯模型是神经网络的构架，即神经网络的层与层之间是怎么连接的。  
Sequential()是按照线性方式，可以理解为流水线作业方式。结合这个可视化网站理解: [神经网络游乐场][Link 1].

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70]  
这是一个输入到输出的整个过程实现线状的流动过程，上层处理完毕交给下层继续处理。  
要叠多少层就直接用model.add即可

# 二、层与神经元 #

model.add(layers.Dense(32,input_shape=(784,)))#32是维度即输出多少个结果即神经	网络的层数即次数，input_shape是输入数据的大小，一次多少样本数量不在这里！！而是batch_size
    model.add(layers.Dense(32))

Dense为keras的一个神经网络层，层就相当于一个环节，想象为流水线作业，每一层就是一个流水线的环节，在可视化的图中可以表示为这一个圆圈整体涵盖的所有  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 1]  
这是一个神经元的三层  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 2]  
这是两个神经元的三层结构

其中dense是全连接层，处理2d张量（向量），即呈现为  
\[\[1,2,3\],  
\[2,3,4\],  
\[3,4,5\]\]  
这样结构的数据，此外还有  
3d张量用循环层lstm层；4d张量用二维卷积层（conv2d层）

而神经元就是model.add(layers.Dense(32,input\_shape=(784,)))中32所决定的内容，32表示由32个神经元。  
在可视化图中为一个个方框  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 3]  
这是三层，每层一个神经元

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 4]  
这是三层，每层两个神经元

神经元数量由Dense的第一个参数控制，可以自由选择  
其中输入数据的格式在,input\_shape中设置，,input\_shape=(784,)可以看成是一个含有784个数值的列表

[Link 1]: http://playground.tensorflow.org/#activation=relu&batchSize=10&dataset=xor&regDataset=reg-plane&learningRate=0.00001&regularizationRate=0&noise=0&networkShape=3,2&seed=0.34603&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=true&xSquared=true&ySquared=true&cosX=false&sinX=true&cosY=false&sinY=true&collectStats=false&problem=classification&initZero=false&hideText=false
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70]: /images/20221119/ddeba2321717455f975cb6d1ecfeeab3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 1]: /images/20221119/d64e885b1c1b475199a6944f2340162f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 2]: /images/20221119/92a808bd30f24a6ebaf82d0bea644479.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 3]: /images/20221119/95b021e9db824ad08194adaa100e73a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70 4]: /images/20221119/68590e9798b042c38c87420bafd027e4.png