Keras模型基本流程

前言

  目前打算看tensorflow.probability模块，但是发现整个都是适配Keras的，很多的例程也都是基于Keras的。所以借此机会学一下这个框架。

一、Keras流程

目前keras已经集成在了tf之中，默认的import方式如下所示，一般用到最多的就是layers层。

tfk = tf.keras
tfkl = tf.keras.layers

# 定义模型
network = tfk.Sequential() # 使用Sequential进行模型定义。
vae = tfk.Model(inputs=encoder.inputs, outputs=decoder(encoder.outputs[0])) # 函数API式定义

# 将optimizer、loss、metrics三个部件Attach到模型中
network.compile(optimizer='rmsprop', # 优化器定义
				loss='categorical_crossentropy', # 损失函数定义
				metrics=['accuracy']) # 评判指标，实时显示

# 进行迭代训练
network.fit(train_images, train_labels, epochs=5, batch_size=128)

二、Keras中的模型定义

  定义模型有两种方法：

• 一种是使用 Sequential 类（仅用于层的线性堆叠，这是目前最常见的网络架构）
• 另一种是函数式 API（ functional API，用于层组成的有向无环图，可以构建任意形式的架构）。

1.基于Sequential 类

  这种方式只能用于直通传播，并不适用于ResNet这样有跳跃层、单层具有多输入多输出的情况。使用方法有列表直接添加和增量式add()添加：

# Define Sequential model with 3 layers
model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)
# Call model on a test input
x = tf.ones((3, 3))
y = model(x)

model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))

  完成模型的搭建之后可以使用model.summary()输出模型的层信息：

Model: "sequential_4"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_10 (Dense)             (None, 2)                 10        
=================================================================
Total params: 10
Trainable params: 10
Non-trainable params: 0
_________________________________________________________________

2.基于函数式API

  这种搭建方法更加地自由，可以以函数的形式进行任意连接（类似Pytorch）：

input_tensor = tfkl.Input(shape=(784,))
x = tfkl.Dense(32, activation='relu')(input_tensor)
output_tensor = tfkl.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor) # Model的封装形式需要明确inputs和outputs