Keras函數(shù)式API怎么使用

這篇文章主要介紹了Keras函數(shù)式API怎么使用的相關(guān)知識(shí)，內(nèi)容詳細(xì)易懂，操作簡(jiǎn)單快捷，具有一定借鑒價(jià)值，相信大家閱讀完這篇Keras函數(shù)式API怎么使用文章都會(huì)有所收獲，下面我們一起來(lái)看看吧。

多層感知器(Multilayer Perceptron)

定義了用于二分類的多層感知器模型。

模型輸入32維特征，經(jīng)過(guò)三個(gè)全連接層，每層使用relu線性激活函數(shù)，并且在輸出層中使用sigmoid激活函數(shù)，最后用于二分類。

##------ Multilayer Perceptron ------##
from keras.models import Model
from keras.layers import Input, Dense
from keras import backend as K
K.clear_session() 

# MLP model
x = Input(shape=(32,))
hidden1 = Dense(10, activation='relu')(x)
hidden2 = Dense(20, activation='relu')(hidden1)
hidden3 = Dense(10, activation='relu')(hidden2)
output = Dense(1, activation='sigmoid')(hidden3)
model = Model(inputs=x, outputs=output)

# summarize layers
model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network)

定義用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)。

該模型接收3通道的64×64圖像作為輸入，然后經(jīng)過(guò)兩個(gè)卷積和池化層的序列作為特征提取器，接著過(guò)一個(gè)全連接層，最后輸出層過(guò)softmax激活函數(shù)進(jìn)行10個(gè)類別的分類。

##------ Convolutional Neural Network ------##
from keras.models import Model
from keras.layers import Input
from keras.layers import Dense, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
K.clear_session()

# CNN model
x = Input(shape=(64,64,3))
conv1 = Conv2D(16, (5,5), activation='relu')(x)
pool1 = MaxPooling2D((2,2))(conv1)
conv2 = Conv2D(32, (3,3), activation='relu')(pool1)
pool2 = MaxPooling2D((2,2))(conv2)
conv3 = Conv2D(32, (3,3), activation='relu')(pool2)
pool3 = MaxPooling2D((2,2))(conv3)
flat = Flatten()(pool3)
hidden1 = Dense(512, activation='relu')(flat)
output = Dense(10, activation='softmax')(hidden1)
model = Model(inputs=x, outputs=output)

# summarize layers
model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)

定義一個(gè)用于文本序列分類的LSTM網(wǎng)絡(luò)。

該模型需要100個(gè)時(shí)間步長(zhǎng)作為輸入，然后經(jīng)過(guò)一個(gè)Embedding層，每個(gè)時(shí)間步變成128維特征表示，然后經(jīng)過(guò)一個(gè)LSTM層，LSTM輸出過(guò)一個(gè)全連接層，最后輸出用sigmoid激活函數(shù)用于進(jìn)行二分類預(yù)測(cè)。

##------ Recurrent Neural Network ------##
from keras.models import Model
from keras.layers import Input
from keras.layers import Dense, LSTM, Embedding
from keras import backend as K
K.clear_session()

VOCAB_SIZE = 10000
EMBED_DIM = 128

x = Input(shape=(100,), dtype='int32')
embedding = Embedding(VOCAB_SIZE, EMBED_DIM, mask_zero=True)(x)
hidden1 = LSTM(64)(embedding)
hidden2 = Dense(32, activation='relu')(hidden1)
output = Dense(1, activation='sigmoid')(hidden2)
model = Model(inputs=x, outputs=output)

# summarize layers
model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

Bidirectional recurrent neural network

定義一個(gè)雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，可以用來(lái)完成序列標(biāo)注等任務(wù)，相比上面的LSTM網(wǎng)絡(luò)，多了一個(gè)反向的LSTM，其它設(shè)置一樣。

##------ Bidirectional recurrent neural network ------##
from keras.models import Model
from keras.layers import Input, Embedding
from keras.layers import Dense, LSTM, Bidirectional
from keras import backend as K
K.clear_session()

VOCAB_SIZE = 10000
EMBED_DIM = 128
HIDDEN_SIZE = 64
# input layer
x = Input(shape=(100,), dtype='int32')
# embedding layer
embedding = Embedding(VOCAB_SIZE, EMBED_DIM, mask_zero=True)(x)
# BiLSTM layer
hidden = Bidirectional(LSTM(HIDDEN_SIZE, return_sequences=True))(embedding)
# prediction layer
output = Dense(10, activation='softmax')(hidden)
model = Model(inputs=x, outputs=output)

model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

共享輸入層模型(Shared Input Layer Model)

定義了具有不同大小內(nèi)核的多個(gè)卷積層來(lái)解釋圖像輸入。

該模型采用尺寸為64×64像素的3通道圖像。

有兩個(gè)共享此輸入的CNN特征提取子模型; 第一個(gè)內(nèi)核大小為5x5，第二個(gè)內(nèi)核大小為3x3。

把提取的特征展平為向量然后拼接成一個(gè)長(zhǎng)向量，然后過(guò)一個(gè)全連接層，最后輸出層完成10分類。

##------ Shared Input Layer Model ------##

from keras.models import Model
from keras.layers import Input
from keras.layers import Dense, Flatten
from keras.layers import Conv2D, MaxPooling2D, Concatenate
from keras import backend as K
K.clear_session()

# input layer
x = Input(shape=(64,64,3))
# first feature extractor
conv1 = Conv2D(32, (3,3), activation='relu')(x)
pool1 = MaxPooling2D((2,2))(conv1)
flat1 = Flatten()(pool1)
# second feature extractor 
conv2 = Conv2D(16, (5,5), activation='relu')(x)
pool2 = MaxPooling2D((2,2))(conv2)
flat2 = Flatten()(pool2)
# merge feature
merge = Concatenate()([flat1, flat2])
# interpretation layer
hidden1 = Dense(128, activation='relu')(merge)
# prediction layer
output = Dense(10, activation='softmax')(merge)
model = Model(inputs=x, outputs=output)

model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

Shared Feature Extraction Layer

定義一個(gè)共享特征抽取層的模型，這里共享的是LSTM層的輸出，具體共享參見(jiàn)代碼

##------ Shared Feature Extraction Layer ------##
from keras.models import Model
from keras.layers import Input, Embedding
from keras.layers import Dense, LSTM, Concatenate
from keras import backend as K
K.clear_session()

# input layer
x = Input(shape=(100,32))
# feature extraction
extract1 = LSTM(64)(x)
# first interpretation model
interp1 = Dense(32, activation='relu')(extract1)
# second interpretation model
interp11 = Dense(64, activation='relu')(extract1)
interp12 = Dense(32, activation='relu')(interp11)
# merge interpretation
merge = Concatenate()([interp1, interp12])
# output layer
output = Dense(10, activation='softmax')(merge)
model = Model(inputs=x, outputs=output)

model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

多輸入模型(Multiple Input Model)

定義有兩個(gè)輸入的模型，這里測(cè)試的是輸入兩張圖片，一個(gè)輸入是單通道的64x64，另一個(gè)是3通道的32x32，兩個(gè)經(jīng)過(guò)卷積層、池化層后，展平拼接，最后進(jìn)行二分類。

##------ Multiple Input Model  ------##
from keras.models import Model
from keras.layers import Input
from keras.layers import Dense, Flatten
from keras.layers import Conv2D, MaxPooling2D, Concatenate
from keras import backend as K
K.clear_session()

# first input model
input1 = Input(shape=(64,64,1))
conv11 = Conv2D(32, (5,5), activation='relu')(input1)
pool11 = MaxPooling2D(pool_size=(2,2))(conv11)
conv12 = Conv2D(16, (3,3), activation='relu')(pool11)
pool12 = MaxPooling2D(pool_size=(2,2))(conv12)
flat1 = Flatten()(pool12)
# second input model
input2 = Input(shape=(32,32,3))
conv21 = Conv2D(32, (5,5), activation='relu')(input2)
pool21 = MaxPooling2D(pool_size=(2,2))(conv21)
conv22 = Conv2D(16, (3,3), activation='relu')(pool21)
pool22 = MaxPooling2D(pool_size=(2,2))(conv22)
flat2 = Flatten()(pool22)
# merge input models
merge = Concatenate()([flat1, flat2])
# interpretation model
hidden1 = Dense(20, activation='relu')(merge)
output = Dense(1, activation='sigmoid')(hidden1)
model = Model(inputs=[input1, input2], outputs=output)

model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

多輸出模型(Multiple Output Model)

定義有多個(gè)輸出的模型，以文本序列輸入LSTM網(wǎng)絡(luò)為例，一個(gè)輸出是對(duì)文本的分類，另外一個(gè)輸出是對(duì)文本進(jìn)行序列標(biāo)注。

##------ Multiple Output Model ------ ##
from keras.models import Model
from keras.layers import Input
from keras.layers import Dense, Flatten, TimeDistributed, LSTM
from keras.layers import Conv2D, MaxPooling2D, Concatenate
from keras import backend as K
K.clear_session()

x = Input(shape=(100,1))
extract = LSTM(10, return_sequences=True)(x)

class11 = LSTM(10)(extract)
class12 = Dense(10, activation='relu')(class11)
output1 = Dense(1, activation='sigmoid')(class12)
output2 = TimeDistributed(Dense(1, activation='linear'))(extract)
model = Model(inputs=x, outputs=[output1, output2])

model.summary()

模型的結(jié)構(gòu)和參數(shù)如下：

關(guān)于“Keras函數(shù)式API怎么使用”這篇文章的內(nèi)容就介紹到這里，感謝各位的閱讀！相信大家對(duì)“Keras函數(shù)式API怎么使用”知識(shí)都有一定的了解，大家如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。