10 Keras框架从零教程：构建模型之顺序模型Sequential

查看大图

Sequential 是 Keras 最快的入门路径，适合一层接一层的网络。它的优势是清楚，限制也是只能表达简单拓扑。

查看大图

我会确认模型是否真的只有一条输入到输出的路径。一旦有共享层或多输入，就该换 Functional API。

在上一篇中，我们讨论了Keras的基本概念，以及如何选择合适的模型类型。今天，我们将深入探讨Keras中最简单和最常用的模型类型——顺序模型（Sequential）。顺序模型是一种线性堆叠多层的模型，非常适合于层与层之间逐步连接的常见任务，如分类和回归。

什么是顺序模型？

顺序模型是Keras中用于构建神经网络的一种方便的方式。它允许用户通过简单地将每一层添加到模型中，从而按顺序构建网络。每一层的输入都是前一层的输出，适合用于构建大多数简单的深度学习模型。

查看大图

使用 Keras Sequential 时，先确认层的顺序、输入形状、输出维度、损失函数和优化器。

如何构建顺序模型？

在Keras中构建顺序模型非常简单。通常，你只需要以下几个步骤：

1. 导入必要的库。
2. 创建一个顺序模型。
3. 添加层到模型中。
4. 编译模型。
5. 训练模型。

为了更好地理解这个过程，我们来看看一个实际的例子：构建一个用于手写数字识别的简单神经网络。

案例：手写数字识别

我们将使用经典的MNIST数据集，该数据集包含了大量的手写数字（0-9）。我们的目标是构建一个顺序模型来识别这些手写数字。

查看大图

《Keras框架从零教程：构建模型之顺序模型Sequential》可以按“场景、概念、动作、结果”来读。先把这四件事对齐，再回到正文里的参数、代码或流程。

1. 导入必要的库

首先，我们需要导入Keras以及其他一些必需的库。

import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.utils import to_categorical

2. 加载和预处理数据

接下来，我们加载MNIST数据集并进行预处理。我们将数据标准化到[0, 1]的范围，并将标签进行独热编码。

# 加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据标准化
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 独热编码标签
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

3. 创建顺序模型

现在，我们可以使用Sequential类来创建一个顺序模型。我们将使用一个Flatten层来展平输入，然后使用一个隐藏层和一个输出层。

model = Sequential()
model.add(Flatten(input_shape=(28, 28)))  # 将28x28图像展平
model.add(Dense(128, activation='relu'))   # 隐藏层
model.add(Dense(10, activation='softmax'))  # 输出层

4. 编译模型

模型构建完成后，需要编译模型。我们选择使用categorical_crossentropy作为损失函数，adam作为优化器，并计算准确率（accuracy）作为评估指标。

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

5. 训练模型

接下来，我们使用训练数据来训练模型。这里我们将训练10个周期（epochs）。

model.fit(x_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

6. 评估模型

训练完成后，我们可以在测试集上评估模型的性能。

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_accuracy:.4f}')

7. 可视化结果

最后，我们可以可视化一些识别结果，以便更好地理解模型的表现。

predictions = model.predict(x_test)

# 显示前5个测试图像的预测结果
for i in range(5):
    plt.imshow(x_test[i], cmap='gray')
    plt.title(f'Predicted: {np.argmax(predictions[i])}, Actual: {np.argmax(y_test[i])}')
    plt.axis('off')
    plt.show()

查看大图

学完《Keras框架从零教程：构建模型之顺序模型Sequential》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《Keras框架从零教程：构建模型之顺序模型Sequential》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

小结

在这一节中，我们详细介绍了如何使用Keras的顺序模型（Sequential）构建一个简单的手写数字识别模型。从数据的加载、预处理，到模型的创建、编译和训练，我们逐步完成了整个过程。顺序模型对于初学者来说是一个非常友好的工具，它可以快速构建和训练简单的神经网络。

在下一篇文章中，我们将探讨Keras的功能API，它提供了更灵活的方式来构建复杂的模型。敬请期待！