理解和使用Keras的sequential模型

Sequential模型

Sequential模型字面上的翻译是顺序模型，感觉是简单的线性模型，但实际上Sequential模型可以构建非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等等。Sequential更准确的理解应该为堆叠，通过堆叠许多不同的层，构建出深度神经网络。

Sequential模型的核心操作

最核心的操作是添加图层，以下收录一些比较流行的图层：

图层名称	操作方法	备注
卷积层	model.add(ConvnD(64, (3, 3), activation='relu'))	对n(1,2,3)维输入进行卷积操作
转换层	model.add(Reshape((3, 4), input_shape=(12,)))	Reshape层用来将输入shape转换为特定的shape
全连接层	model.add(Dense(256, activation='relu'))	实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量
dropout	model.add(Dropout(0.5))	Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。
Flattening layer(展平层)	model.add(Flatten())	将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。

备注：
可以参考官方介绍layer的中文文档：https://keras-cn.readthedocs.io/en/latest/layers/about_layer/

Sequential模型开发流程

Sequential模型构建通常5步：
1.定义模型
2.定义目标
3.输入数据
4.训练模型
5.评估模型

Sequential模型实操

import keras
import numpy as np
import matplotlib.pyplot as plt
# Sequential按顺序构成的模型
from keras.models import Sequential
# Dense全连接层
from keras.layers import Dense, Activation
# 优化器：随机梯度下降
from keras.optimizers import SGD

# 生成非线性数据模型
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#训练数据和测试数据
number = 100
x_data = np.linspace(-4, 4, number)
y_data = np.sin(x_data)+np.random.uniform(-0.5, 0.5, number)

print(x_data)
print(y_data)
# 显示随机点
plt.scatter(x_data, y_data)
plt.show()
##################################################################################
# 构建一个顺序模型
model = Sequential()

# 在模型中添加一个全连接层
# 神经网络结构：1-10-1，即输入层为1个神经元，隐藏层10个神经元，输出层1个神经元。 

# 激活函数加法1
model.add(Dense(units=10, input_dim=1))
model.add(Activation('tanh'))
model.add(Dense(units=1))
model.add(Activation('tanh'))

# 定义优化算法
sgd = SGD(lr=0.3)
# sgd: Stochastic gradient descent,随机梯度下降法
# mse: Mean Squared Error, 均方误差
model.compile(optimizer=sgd, loss='mse')

# 进行训练
for step in range(3000):
    # 每次训练一个批次
    cost = model.train_on_batch(x_data, y_data)
    # 每500个batch打印一次cost值
    if step % 200 == 0:
        print('cost: ', cost)
# 打印权值和偏置值
W, b = model.layers[0].get_weights()
print('W：', W, ' b: ', b)
print(len(model.layers))

# 把x_data输入网络中，得到预测值y_pred
y_pred = model.predict(x_data)

# 显示随机点
plt.scatter(x_data, y_data)
# 显示预测结果
plt.plot(x_data, y_pred, 'r-', lw=3)
plt.show()

上面的代码中，输入层是全连接层。接下来就是为模型添加中间层和输出层。定义优化器(并指定损失函数)来指定反向传播的计算方法。在keras中，Sequential模型的compile方法用来完成这一操作。
例如，在下面的这一行代码中，我们使用’sgd’优化器，损失函数为’mse’。

model.compile(optimizer=sgd, loss='mse')

创建了模型开始训练。设置迭代次数、验证数据集等等。

cost = model.train_on_batch(x_data, y_data)

最后，使用predict方法来看看预测结果：

y_pred = model.predict(x_data)

以上就是在Keras中使用Sequential模型的基本构建块，相比tensorflow，keras的代码更少，不用关心具体的算法实现。
总结
keras中的Sequential模型其实非常强大，而且接口简单易懂，大部分问题，只需要使用Sequential模型即可满足需求。只是当工具使用即可，集中精力解决具体的问题。