Keras函数式API怎么使用

这篇文章主要介绍了Keras函数式api怎么使用的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Keras函数式API怎么使用文章都会有所收获，下面我们一起来看看吧。

多层感知器(Multilayer Perceptron)

定义了用于二分类的多层感知器模型。

模型输入32维特征，经过三个全连接层，每层使用relu线性激活函数，并且在输出层中使用sigmoid激活函数，最后用于二分类。

##------ Multilayer Perceptron ------##from keras.models import Modelfrom keras.layers import Input, Densefrom keras import backend as KK.clear_session() # MLP modelx = 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 layersmodel.summary()

模型的结构和参数如下：

卷积神经网络(Convolutional Neural Network)

定义用于图像分类的卷积神经网络。

该模型接收3通道的64×64图像作为输入，然后经过两个卷积和池化层的序列作为特征提取器，接着过一个全连接层，最后输出层过softmax激活函数进行10个类别的分类。

##------ Convolutional Neural Network ------##from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import Dense, Flattenfrom keras.layers import Conv2D, MaxPooling2Dfrom keras import backend as KK.clear_session()# CNN modelx = 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 layersmodel.summary()

模型的结构和参数如下：

循环神经网络(Recurrent Neural Network)

定义一个用于文本序列分类的LSTM网络。

该模型需要100个时间步长作为输入，然后经过一个Embedding层，每个时间步变成128维特征表示，然后经过一个LSTM层，LSTM输出过一个全连接层，最后输出用sigmoid激活函数用于进行二分类预测。

##------ Recurrent Neural Network ------##from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import Dense, LSTM, Embeddingfrom keras import backend as KK.clear_session()VOCAB_SIZE = 10000EMBED_DIM = 128x = 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 layersmodel.summary()

模型的结构和参数如下：

Bidirectional recurrent neural network

定义一个双向循环神经网络，可以用来完成序列标注等任务，相比上面的LSTM网络，多了一个反向的LSTM，其它设置一样。

##------ Bidirectional recurrent neural network ------##from keras.models import Modelfrom keras.layers import Input, Embeddingfrom keras.layers import Dense, LSTM, Bidirectionalfrom keras import backend as KK.clear_session()VOCAB_SIZE = 10000EMBED_DIM = 128HIDDEN_SIZE = 64# input layerx = Input(shape=(100,), dtype='int32')# embedding layerembedding = Embedding(VOCAB_SIZE, EMBED_DIM, mask_zero=True)(x)# BiLSTM layerhidden = Bidirectional(LSTM(HIDDEN_SIZE, return_sequences=True))(embedding)# prediction layeroutput = Dense(10, activation='softmax')(hidden)model = Model(inputs=x, outputs=output)model.summary()

模型的结构和参数如下：

共享输入层模型(Shared Input Layer Model)

定义了具有不同大小内核的多个卷积层来解释图像输入。

该模型采用尺寸为64×64像素的3通道图像。

有两个共享此输入的CNN特征提取子模型; 第一个内核大小为5x5，第二个内核大小为3x3。

把提取的特征展平为向量然后拼接成一个长向量，然后过一个全连接层，最后输出层完成10分类。

##------ Shared Input Layer Model ------##from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import Dense, Flattenfrom keras.layers import Conv2D, MaxPooling2D, Concatenatefrom keras import backend as KK.clear_session()# input layerx = Input(shape=(64,64,3))# first feature extractorconv1 = 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 featuremerge = Concatenate()([flat1, flat2])# interpretation layerhidden1 = Dense(128, activation='relu')(merge)# prediction layeroutput = Dense(10, activation='softmax')(merge)model = Model(inputs=x, outputs=output)model.summary()

模型的结构和参数如下：

Shared Feature Extraction Layer

定义一个共享特征抽取层的模型，这里共享的是LSTM层的输出，具体共享参见代码

##------ Shared Feature Extraction Layer ------##from keras.models import Modelfrom keras.layers import Input, Embeddingfrom keras.layers import Dense, LSTM, Concatenatefrom keras import backend as KK.clear_session()# input layerx = Input(shape=(100,32))# feature extractionextract1 = LSTM(64)(x)# first interpretation modelinterp1 = Dense(32, activation='relu')(extract1)# second interpretation modelinterp11 = Dense(64, activation='relu')(extract1)interp12 = Dense(32, activation='relu')(interp11)# merge interpretationmerge = Concatenate()([interp1, interp12])# output layeroutput = Dense(10, activation='softmax')(merge)model = Model(inputs=x, outputs=output)model.summary()

模型的结构和参数如下：

多输入模型(Multiple Input Model)

定义有两个输入的模型，这里测试的是输入两张图片，一个输入是单通道的64x64，另一个是3通道的32x32，两个经过卷积层、池化层后，展平拼接，最后进行二分类。

##------ Multiple Input Model  ------##from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import Dense, Flattenfrom keras.layers import Conv2D, MaxPooling2D, Concatenatefrom keras import backend as KK.clear_session()# first input modelinput1 = 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 modelinput2 = 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 modelsmerge = Concatenate()([flat1, flat2])# interpretation modelhidden1 = Dense(20, activation='relu')(merge)output = Dense(1, activation='sigmoid')(hidden1)model = Model(inputs=[input1, input2], outputs=output)model.summary()

模型的结构和参数如下：

多输出模型(Multiple Output Model)

定义有多个输出的模型，以文本序列输入LSTM网络为例，一个输出是对文本的分类，另外一个输出是对文本进行序列标注。

##------ Multiple Output Model ------ ##from keras.models import Modelfrom keras.layers import Inputfrom keras.layers import Dense, Flatten, TimeDistributed, LSTMfrom keras.layers import Conv2D, MaxPooling2D, Concatenatefrom keras import backend as KK.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()

模型的结构和参数如下：

关于“Keras函数式API怎么使用”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“Keras函数式API怎么使用”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网精选频道。