9 Keras基本概念之模型类型及其选择

查看大图

Keras 的三类建模方式对应不同复杂度。简单模型用 Sequential，分支结构用 Functional，动态逻辑再考虑子类化。

查看大图

我会先画模型拓扑。结构是一条线还是有分支，基本就决定该选哪种 API。

在上一篇文章中，我们探讨了Keras中的基础概念之一——张量。张量是Keras进行深度学习操作的核心数据结构，理解强调张量及其运算对于后续模型的构建至关重要。在本篇文章中，我们将聚焦于Keras的模型类型及如何选择合适的模型框架，为后续学习顺序模型提供基础。

Keras模型类型概览

Keras主要提供两种模型类型：Sequential模型和Functional模型。这两种模型针对不同的应用场景，各具优缺点。

查看大图

选择 Keras 模型类型时，先看输入数据形态、预测目标、样本量、可解释性和部署约束。

1. Sequential模型

Sequential模型是Keras中最简单的模型类型，适用于由一系列线性堆叠的层组成的模型。这意味着你可以逐层地将每一个神经网络层添加到模型中，通常用于简单的前馈网络。

适用场景

• 线性堆叠的神经网络：如多层感知器（MLP）和经典的卷积网络。
• 没有共享层：模型的层顺序固定，不适合复杂的网络结构。

示例代码

from keras.models import Sequential
from keras.layers import Dense, Flatten

# 创建一个Sequential模型
model = Sequential()

# 添加层：Flatten层将输入扁平化，Dense层为全连接层
model.add(Flatten(input_shape=(28, 28))) # 假设输入为28x28的灰度图像
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax')) # 最后一层用于多分类，10个输出

# 输出模型的概况
model.summary()

2. Functional模型

Functional模型是Keras中功能更强大的模型构建方式，允许用户创建复杂的网络结构，包括共享层、具有多个输入或输出的模型等。

适用场景

• 复杂网络结构：例如多输入多输出模型、具有跳跃连接的卷积网络等。
• 需要共享层的模型：例如在不同网络部分共享同一层的网络。

示例代码

from keras.models import Model
from keras.layers import Input, Dense

# 定义输入
input_layer = Input(shape=(28, 28))
flattened = Flatten()(input_layer)  # 扁平化
dense_layer = Dense(128, activation='relu')(flattened)
output_layer = Dense(10, activation='softmax')(dense_layer)  # 输出层

# 创建Functional模型
model = Model(inputs=input_layer, outputs=output_layer)

# 输出模型的概况
model.summary()

如何选择模型类型？

选择适合的模型类型依赖于任务的复杂性和需求。以下是一些建议：

查看大图

《Keras基本概念之模型类型及其选择》这类内容容易被细节带偏。先看图里的主线，再回到正文核对环境、输入、输出和判断标准。

• 简单任务（如MNIST手写数字识别等）：可以选择Sequential模型，只需线性堆叠几层即可。
• 复杂任务（如对象检测或问答系统等）：推荐使用Functional模型，它能提供更大的灵活性来设计架构。

查看大图

复习《Keras基本概念之模型类型及其选择》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《Keras基本概念之模型类型及其选择》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

小结

在本篇文章中，我们深入探讨了Keras中的两种主要模型类型——Sequential和Functional。了解它们的特性和适用场景对于后续构建模型至关重要。在下一篇文章中，我们将具体讨论如何使用Sequential模型构建简单的神经网络。这将为你在使用Keras进行深度学习的旅程中打下坚实的基础。