多层神经网络的实现.pdf

深层神经系统

多层神经网络的实现

Merge层的操作

网络模型可以将上面定义了各种基本网络层组合起来。

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），

函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。

model.summary()：打印出模型概况，它实际调用的是

keras.utils.print_summary

model.get_config()：返回包含模型配置信息的Python字典。

model=Model.from_config(config)模型从它的config信息中重构回去。

《深度学习技术》

Merge层的操作

网络模型可以将上面定义了各种基本网络层组合起来。

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），

函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。

model=Sequential.from_config(config)模型从它的config信息中重构回去。

model.get_weights()：返回模型权重张量的列表，类型为numpyarray。

model.set_weights()：从numpyarray里将权重载入给模型。

《深度学习技术》

Merge层的操作

model.to_json：返回代表模型的JSON字符串，仅包含网络结构，不包含

权值。可以从JSON字符串中重构原模型

model.to_yaml：与model.to_json类似，同样可以从产生的YAML字符串

中重构模型

model.save_weights(filepath)：将模型权重保存到指定路径，文件类型

是HDF5（后缀是.h5）

model.load_weights(filepath,by_name=False)：从HDF5文件中加载

权重到当前模型中,默认情况下模型的结构将保持不变

《深度学习技术》

Merge层的操作

Sequential模型

Sequential是多个网络层的线性堆叠

可以通过向Sequential模型传递一个layer的list来构造该模型：

fromkeras.modelsimportSequential

fromkeras.layersimportDense,Activation

model=Sequential([

Dense(32,input_dim=784),

Activation(relu),

Dense(10),

Activation(softmax),

])

《深度学习技术》

多层神经网络搭建示例

importtensorflowastf

importnumpyasnp

fromsklearn.datasetsimportload_iris

data=load_iris()

iris_data=np.float32(data.data)

iris_target=(data.target)

iris_target=

np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))

train_data=

tf.data.Dataset.from_tensor_slices((iris_data,iris_target)).batch(128)

input_xs=tf.keras.Input(shape=(4),name=input_xs)

《深度学习技术》

多层神经网络搭建示例

out=tf.keras.layers.D