深度学习学习笔记——keras搭建网络模型

一、Sequential()

（一）第一层是全连接层

def generator_model():
    model = Sequential()
    model.add(Dense(input_dim=100, output_dim=1024))
    model.add(Activation('relu'))
    model.add(Dense(128*7*7))
    model.add(BatchNormalization())
    model.add(Activation('relu'))
    model.add(Reshape((7, 7, 128), input_shape=(128*7*7,)))
    model.add(UpSampling2D(size=(2, 2)))
    model.add(Conv2D(64, (5, 5), padding='same'))
    model.add(Activation('tanh'))
    model.add(UpSampling2D(size=(2, 2)))
    model.add(Conv2D(1, (5, 5), padding='same'))
    model.add(Activation('tanh'))
    return model

每个隐藏层由前一层提供输入，只需为第一层指定输入维度

model.add(Dense(32, input_dim=13, activation='relu'))
model.add(10, activation='sigmoid')

（二） 第一层是卷积层

def discriminator_model():
    model = Sequential()
    model.add(
            Conv2D(64, (5, 5),
            padding='same',
            input_shape=(28, 28, 1))
            )
    model.add(Activation('tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Conv2D(128, (5, 5)))
    model.add(Activation('tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(1024))
    model.add(Activation('tanh'))
    model.add(Dense(1))
    model.add(Activation('sigmoid'))
    return model

使用时直接调用即可

d = discriminator_model()
g = generator_model()

（三） 也可在Sequential()里使用Model()

 def build_generator(self):
        model = Sequential()

        model.add(Dense(256, input_dim=self.latent_dim))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(512))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(1024))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(np.prod(self.img_shape), activation='tanh'))
        model.add(Reshape(self.img_shape))

        noise = Input(shape=(self.latent_dim,))
        img = model(noise)

        return Model(noise, img)

)

总结：Dense(input_dim=)，全连接层输入肯定是一维
Conv2D(input_shape=())，卷积层输入是元组形式
Input(shape=())，输入是元组形式

# this is a logistic regression in Keras
x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)

二、Model()

参数：
inputs：模型的输入：一个keras.Input对象或对象列表 keras.Input。
outputs：模型的输出。
name：字符串，模型的名称。

有两种方法可实例化一个模型

（一）使用“功能API"
从Input开始，链接层调用以指定模型的前向传递，最后根据输入和输出创建模型

import tensorflow as tf
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)

（二） 通过对Model类进行子类化

在这种情况下，应该在 __init__中定义层，并且应该在call中实现模型的前向传递。

import tensorflow as tf

class MyModel(tf.keras.Model):

  def __init__(self):
    super(MyModel, self).__init__()
    self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
    self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)

  def call(self, inputs):
    x = self.dense1(inputs)
    return self.dense2(x)

model = MyModel()

以下来自tensorflow官方文档
链接

tf.keras.Sequential()

先说总结：
使用sequential搭建模型时往往需要在第一层指定输入的形状，后面的层则不需要，通过自动计算前一层输出来确定输入，（指定输入形状的方式：1、通过Dense(input_shape=(16,))，2、通过Dense(input_dim=16)，3、通过Conv2D(input_shape=(16,16,3))，4、通过Input(shape=(16,))）；也可以不指定输入形状，这时直到训练，评估、预测模型前，网络都不会建立起来不会有任何参数，当使用这些方法时，由于有了输入知道输入形状模型会被建立起来，而在第一层就确定输入形状时，每添加一层网络，模型都会建立，也可以通过model.build(batch,input_shape)来手动构建模型。

tf.keras.Sequential(
    layers=None, name=None
)

# 可选地，第一层可以接收' input_shape '参数:
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8, input_shape=(16,)))
#之后，我们进行自动形状推断:
model.add(tf.keras.layers.Dense(4))

# 这是相同的如下:
model = tf.keras.Sequential()
model.add(tf.keras.Input(shape=(16,)))
model.add(tf.keras.layers.Dense(8))

# 注意，你也可以忽略' input_shape '参数。
# 在这种情况下，模型在第一次调用训练/评估方法之前没有任何权重(因为它还没有建立):
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4))
#模型。尚未创建权重

# 然而，如果你指定了输入形状，当你添加图层时，模型就会不断地建立起来:
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8, input_shape=(16,)))
model.add(tf.keras.layers.Dense(4))
len(model.weights)

# 当使用延迟构建模式(没有指定输入形状)时，你可以通过调用' build(batch_input_shape) '来手动构建模型:
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4))
model.build((None, 16))
len(model.weights)

# 请注意，当使用延迟构建模式(没有指定输入形状)时，
# 模型会在您第一次调用' fit '、' eval '或' predict '时构建，
# 或者在一些输入数据上第一次调用模型时构建。
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(1))
model.compile(optimizer='sgd', loss='mse')
# 第一次建立模型:
model.fit(x, y, batch_size=32, epochs=10)

总结：使用tensorflow搭建神经网络：用Sequential直接搭建出model,使用Input和Model搭配搭建出model(model=Model(inputs=,outputs=)),使用Model搭配class类搭建出model(model=类名())，此时并不用指出输入形状，前两种必须说明输入形状，可以在第一层说明，也可以接触Input说明。