keras使用問題 - Cupoy

2020/01/15 下午 08:17

機器學習共學討論版

Tie

觀看數：22

回答數：3

收藏數：0

ml100-3

ml100-3-d69

您好，我從進入keras這邊之後，就有一點摸不著頭緒。

例如像下圖，模型部分有2個，一個是Sequentail，一個是functional model，其中又說到序列只是functional model的一個特例。pdf上面解釋得也有些過於文字，我不太了解真正差別在哪裡。

還有網路層的意思是hidden layers嗎?

網路層內各種不同的層名，代表著各自不同的功用嗎?

寫HW的時候雖然能夠照著範例讓code跑起來，但實際內容卻一無所知，感覺不是很好。

很抱歉，我好像很多東西混在一起，若我的方向整個錯誤，有什麼建議我從那邊切入複習嘛?

先謝謝您的回應。

回答列表

• 2020/01/16 下午 07:54
  Patrick Ruan
  贊同數：2
  不贊同數：0
  留言數：1

  Sequential 與 Model 的用法，比較直接的方法就是看圖，

  
  

  如果用 Sequential 的方式，他的模型會是一層接一層，沒有岔路。比如這段 code，寫起來很簡單，都是用 add去接到上一層: 

  model = Sequential()
  model.add(Dense(units=256,input_dim=784,kernel_initializer ='normal', activation ='relu'))  
  model.add(Dense(units=10, kernel_initializer='normal',activation='softmax'))

  model = Sequential() model.add(Dense(units=256,input_dim=784,kernel_initializer ='normal', activation ='relu')) model.add(Dense(units=10, kernel_initializer='normal',activation='softmax'))

  他的模型是長這樣，

  

  如果用 Model 的方式，他的模型中每一層的增加時要標明他是接在哪一層的後面，所以會比較有彈性，比如在一種很有名的網路，用來做物件偵測的網路 yolo 中的一部分會長成底下的模式，

  

  上圖的  layer 13 作出了分岔，code 會是這麼交代，

  # 首先要定義 Input
  input_image = Input(shape=(IMAGE_H, IMAGE_W, 3))
  true_boxes  = Input(shape=(1, 1, 1, TRUE_BOX_BUFFER , 4))
  
  # Layer 1
  x = Conv2D(32, (3,3), strides=(1,1), padding='same', name='conv_1', use_bias=False)(input_image)
  x = BatchNormalization(name='norm_1')(x)
  # .....
  
  # 到了 layer 13 要作分岔
  # Layer 13
  x13_1 = Conv2D(512, (3,3), strides=(1,1), padding='same', name='conv_13', use_bias=False)(x12)   # 我們的 x13_1 等於 接在 x12 的後頭
  x13_2 = BatchNormalization(name='norm_13')(x13_1)  # 我們的 x13_2 接在 x13_1 的後頭
  x13_3 = LeakyReLU(alpha=0.1)(x13_2) # 我們的 x13_3 接在 x13_2 的後頭
  
  skip_connection = x13_3    # 我們的  skip_connection 相當於 x13_3 的輸出
  
  x13 = MaxPooling2D(pool_size=(2, 2))(x_13_3)   #  我們的 x13 接在 x13_3 的後頭
  
  # ....
  x21_1 = Conv2D(64, (1,1), strides=(1,1), padding='same', name='conv_21', use_bias=False)(skip_connection)  
  x21 = concatenate([x21_1, x20])    # 到了 第 21層時 上方岔開的兩路網路會交會，也就是 x21 除了承接 第20層 (x20)也會接上第 13_3 層的結果。        
  

  # 首先要定義 Input input_image = Input(shape=(IMAGE_H, IMAGE_W, 3)) true_boxes = Input(shape=(1, 1, 1, TRUE_BOX_BUFFER , 4)) # Layer 1 x = Conv2D(32, (3,3), strides=(1,1), padding='same', name='conv_1', use_bias=False)(input_image) x = BatchNormalization(name='norm_1')(x) # ..... # 到了 layer 13 要作分岔 # Layer 13 x13_1 = Conv2D(512, (3,3), strides=(1,1), padding='same', name='conv_13', use_bias=False)(x12) # 我們的 x13_1 等於 接在 x12 的後頭 x13_2 = BatchNormalization(name='norm_13')(x13_1) # 我們的 x13_2 接在 x13_1 的後頭 x13_3 = LeakyReLU(alpha=0.1)(x13_2) # 我們的 x13_3 接在 x13_2 的後頭 skip_connection = x13_3 # 我們的 skip_connection 相當於 x13_3 的輸出 x13 = MaxPooling2D(pool_size=(2, 2))(x_13_3) # 我們的 x13 接在 x13_3 的後頭 # .... x21_1 = Conv2D(64, (1,1), strides=(1,1), padding='same', name='conv_21', use_bias=False)(skip_connection) x21 = concatenate([x21_1, x20]) # 到了 第 21層時 上方岔開的兩路網路會交會，也就是 x21 除了承接 第20層 (x20)也會接上第 13_3 層的結果。

• 2020/01/16 下午 08:11
  Patrick Ruan
  贊同數：1
  不贊同數：0
  留言數：1

  除了輸入層與輸出層之外，包在中間的都叫做隱藏層

  
  

  比如

  model = Sequential()
  model.add(Dense(units=256,input_dim=784,kernel_initializer ='normal', activation ='relu'))   
  #  上面這一行很有趣，通常第一"行" 連接輸入層與第一個隱藏層，所以後面一行就表示兩層! 下面圖示中的 dense_1 與 dense_1 都在這一行表示了。
  
  model.add(Dense(units=128, activation= 'relu'))  #dense_2
  model.add(Dense(units=10, kernel_initializer='normal',activation='softmax'))  #dense_3

  model = Sequential() model.add(Dense(units=256,input_dim=784,kernel_initializer ='normal', activation ='relu')) # 上面這一行很有趣，通常第一"行" 連接輸入層與第一個隱藏層，所以後面一行就表示兩層! 下面圖示中的 dense_1 與 dense_1 都在這一行表示了。 model.add(Dense(units=128, activation= 'relu')) #dense_2 model.add(Dense(units=10, kernel_initializer='normal',activation='softmax')) #dense_3

  圖會是

  

  其中 dense_1_input 是輸入層， dense_1, dense_2 都是隱藏層，dense_3 是輸出層。

  
  

  類神經網路的隱藏層有很多種，比如，這裡用到的基本的 Dense 層，或者常常用來作影像工作的卷基層 CNN (Conv2D) 或用來跟可能跟時序有關的  LSTM 層等，都是在深度學習的章節上要研讀的。

• 2020/01/18 下午 00:37
  Jeffrey
  贊同數：1
  不贊同數：0
  留言數：0