序贯模型(Sequential):单输入单输出,一条路通到底,层与层之间只有相邻关系,没有跨层连接。这种模型编译速度快,操作也比较简单
model = Sequential()
Sequential模型的核心操作是添加layers(图层),以下展示如何将一些最流行的图层添加到模型中:
卷积层
model.add(Conv2D(64, (3, 3), activation='relu')) #激活函数为relu
最大池化层
model.add(MaxPooling2D(pool_size=(2, 2)))
全连接层
model.add(Dense(256, activation='relu'))
dropout
dropout是指深度学习训练过程中,对于神经网络训练单元,按照一定的概率将其从网络中移除,注意是暂时,用于减少过拟合。
model.add(Dropout(0.5))
Flattening layer(展平层)
model.add(Flatten())
在使用sequential模型的时候要定义损失函数,优化器。
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
对于搭建了好了的模型要进行训练,这个时候就要用到fit()方法。
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
批次大小(batch size)、迭代次数、验证数据集都是需要我们自己去定义的,对于不同的网络其数值可能不同,要根据自己的模型来找到合适的数值。
最后就是用使用evaluate方法来评估模型:
score = model.evaluate(x_train,y_train,batch_size = 32)
它便会显示出训练集和测试集的损失以及准确率。
最后还要保存好训练的模型,进而实现模型的可持续化。
# 保存模型参数
model.save('model.h5')