keras搭建密集连接网络/卷积网络/循环网络

输入模式与网络架构间的对应关系：

• 向量数据：密集连接网络（Dense层）
• 图像数据：二维卷积神经网络
• 声音数据（比如波形）：一维卷积神经网络（首选）或循环神经网络
• 文本数据：一维卷积神经网络（首选）或循环神经网络
• 时间序列数据：循环神经网络（首选）或一维卷积神经网络
• 其他类型的序列数据：循环神经网络或一维卷积神经网络。如果数据顺序非常重要（比如时间序列，但文本不是），那么首选循环神经网络
• 视频数据：三维卷积神经网络（如果需要捕捉运动效果），或者帧级的二维神经网络（用于特征提取）+循环神经网络或一维卷积神经网络（用于处理得到的序列）
• 立体数据：三维卷积神经网络

三种网络架构：

• 1.密集连接网络

• 2.卷积网络

• 3.循环网络

1.密集连接网络

密集连接网络是Dense层的堆叠，用于处理向量数据（向量批量）。这种网络假设输入特征中没有特定结构：之所以叫作密集连接，是因为Dense层的每个单元都和其他所有单元相连接；

?

1 2 3 4 5 6 7 8 9

from keras import models from keras import layers   model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(1,activation='sigmoid'))   model.compile(optimizer='rmsprop',loss='binary_crossentropy')

　　

对于二分类问题，层堆叠的最后一层使用sigmoid激活且

只有一个单元的Dense层，并使用binary_crossentropy

作为损失，目标应该是0或1.

?

1 2 3 4 5 6 7 8 9

from keras import models from keras import layers   model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes,activation='softmax'))   model.compile(optimizer='rmsprop',loss='categorical_crossentropy')

对于单标签多分类问题，每个样本只有一个类别(不会超过一个)，

层堆叠的最后一层是一个Dense层，它使用softmax激活，其

单元个数等于类别个数。如果目标是one-hot编码的，那么使用

categorical_crossentropy作为损失；如果目标是整数，那么

使用sparse_categorical_crossentropy作为损失

 

?

1 2 3 4 5 6 7 8 9

from keras import models from keras import layers   model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes,activation='sigmoid'))   model.compile(optimizer='rmsprop',loss='binary_crossentropy')

对于多标签多分类问题，每个样本可以有多个类别，层堆叠的最后一层

是一个Dense层，它使用sigmoid激活其单元个数等于类别个数，并使用

binary_crossentropy作为损失，目标应该是k-hot编码的

?

1 2 3 4 5 6 7 8 9

from keras import models from keras import layers   model = models.Sequential() model.add(layers.Dense(32,activation='relu',input_shape=(num_input_features,))) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes)   model.compile(optimizer='rmsprop',loss='mse')

　　

对于连续值向量的回归问题，层堆叠的最后一层是一个不带激活Dense层，

其单元个数等于你要预测的值的个数（通常只有一个值，比如房价）。

有几种损失可用于回归问题，最常见的是

mena_squared_error（均方误差，MSE）和

mean_absolute_error（平均绝对误差，MAE）

2.卷积神经网络

卷积层能够查看空间局部模式，其方法是对输入张量的不同空间位置(图块)应用相同的几何变换。这样得到的表示具有平移不变性，这使得卷积层能够高效利用数据，并且能够高度模块化。

卷积神经网络或卷积网络是卷积层和最大池化层的堆叠。池化层可以对数据进行空间下采样， 这么做有两个目的：随着特征数量的增大，我们需要让特征图的尺寸保持在合理范围内；让后面的卷积层能够“看到”输入中更大的空间范围。卷积神经网络的最后通常是一个 Flatten 运算 或全局池化层，将空间特征图转换为向量，然后再是 Dense 层，用于实现分类或回归。 注意，大部分（或者全部）普通卷积很可能不久后会被深度可分离卷积（depthwise separable convolution，SeparableConv2D 层）所替代，后者与前者等效，但速度更快、表示效率更高。 对于三维、二维和一维的输入来说都是如此。如果你从头开始构建一个新网络，那么一定要使用深度可分离卷积。SeparableConv2D 层可直接替代 Conv2D 层，得到一个更小、更快的网络， 在任务上的表现也更好。

?

1 2 3 4 5 6 7 8 9 10 11 12

model = models.Sequential() model.add(layers.SeparableConv2D(32, 3, activation='relu', input_shape=(height, width, channels)))                                 model.add(layers.SeparableConv2D(64, 3, activation='relu')) <br>model.add(layers.MaxPooling2D(2))    model.add(layers.SeparableConv2D(64, 3, activation='relu')) <br>model.add(layers.SeparableConv2D(128, 3, activation='relu')) <br>model.add(layers.MaxPooling2D(2))    model.add(layers.SeparableConv2D(64, 3, activation='relu')) <br>model.add(layers.SeparableConv2D(128, 3, activation='relu')) <br>model.add(layers.GlobalAveragePooling2D())    model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(num_classes, activation='softmax'))    model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

图像多分类

 

3.循环神经网络

循环神经网络(RNN)的工作原理是，对输入序列每次处理一个时间步，并且自始至终保存一个状态（state，这个状态通常是一个向量或一组向量，即状态几何空间中的点）。

如果序列中的模式不具有时间平移不变性，那么应该优先使用循环神经网络，而不是一维卷积神经网络。keras中有三种RNN层:SimpleRNN/GRU/LSTM。对于大多数实际用途，你应该使用GRU或LSTM。两者中LSTM更强大，计算代价也更高。可以将GRU看作是一种更简单、计算代价更小的替代方法。想要将多个RNN层逐个堆叠在一起，最后一层之前的每一层都应该返回输出的完整序列（每个输入时间步都对应一个输出时间步）。

如果你不再堆叠更多的RNN层，那么通常只返回最后一个输出，其中包含关于整个序列的二分类。

?

1 2 3 4

model = models.Sequential() model.add(layers.LSTM(32, input_shape=(num_timesteps, num_features))) <br>model.add(layers.Dense(num_classes, activation='sigmoid'))    model.compile(optimizer='rmsprop', loss='binary_crossentropy')

一个单层 RNN 层，用于向量序列的二分类

?

1 2 3 4 5 6 7

model = models.Sequential() model.add(layers.LSTM(32, return_sequences=True, input_shape=(num_timesteps, num_features))) model.add(layers.LSTM(32, return_sequences=True)) model.add(layers.LSTM(32)) model.add(layers.Dense(num_classes, activation='sigmoid'))    model.compile(optimizer='rmsprop', loss='binary_crossentropy')

RNN 层的堆叠，用于向量序列的二分类。