Định nghĩa mạng nơ-ron với Keras

Nhập môn TensorFlow bằng Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Phân loại chữ cái ngôn ngữ ký hiệu

Ảnh hiển thị chữ cái ngôn ngữ ký hiệu A.

Ảnh hiển thị chữ cái ngôn ngữ ký hiệu B.

Ảnh hiển thị chữ cái ngôn ngữ ký hiệu C.

Ảnh hiển thị chữ cái ngôn ngữ ký hiệu D.

Sequential API

Ảnh cho thấy mạng nơ-ron với 16 nút ở tầng ẩn 1, 8 ở tầng ẩn 2, và 4 ở tầng đầu ra.

Sequential API

Tầng đầu vào
Các tầng ẩn
Tầng đầu ra
Sắp xếp theo thứ tự

Xây dựng mô hình tuần tự

# Import tensorflow
from tensorflow import keras

# Define a sequential model
model = keras.Sequential()

# Define first hidden layer
model.add(keras.layers.Dense(16, activation='relu', input_shape=(28*28,)))

Xây dựng mô hình tuần tự

# Define second hidden layer
model.add(keras.layers.Dense(8, activation='relu'))

# Define output layer
model.add(keras.layers.Dense(4, activation='softmax'))

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

# Summarize the model
print(model.summary())

Functional API

Hình minh họa một mạng nơ-ron với hai nhóm đầu vào.

Dùng Functional API

# Import tensorflow
import tensorflow as tf

# Define model 1 input layer shape
model1_inputs = tf.keras.Input(shape=(28*28,))

# Define model 2 input layer shape
model2_inputs = tf.keras.Input(shape=(10,))

# Define layer 1 for model 1
model1_layer1 = tf.keras.layers.Dense(12, activation='relu')(model1_inputs)

# Define layer 2 for model 1
model1_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model1_layer1)

Dùng Functional API

# Define layer 1 for model 2
model2_layer1 = tf.keras.layers.Dense(8, activation='relu')(model2_inputs)

# Define layer 2 for model 2
model2_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model2_layer1)

# Merge model 1 and model 2
merged = tf.keras.layers.add([model1_layer2, model2_layer2])

# Define a functional model
model = tf.keras.Model(inputs=[model1_inputs, model2_inputs], outputs=merged)

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

Ayo berlatih!

Nhập môn TensorFlow bằng Python