Definiowanie sieci neuronowych w Keras

Wprowadzenie do TensorFlow w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Klasyfikacja liter języka migowego

Obraz przedstawia literę języka migowego A.

Obraz przedstawia literę języka migowego B.

Obraz przedstawia literę języka migowego C.

Obraz przedstawia literę języka migowego D.

Sekwencyjne API

Obraz przedstawia sieć neuronową z 16 węzłami w pierwszej warstwie ukrytej, 8 w drugiej i 4 w warstwie wyjściowej.

Sekwencyjne API

Warstwa wejściowa
Warstwy ukryte
Warstwa wyjściowa
Ułożone sekwencyjnie

Budowanie modelu sekwencyjnego

# 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,)))

Budowanie modelu sekwencyjnego

# 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())

Funkcjonalne API

Rysunek przedstawia sieć neuronową z dwoma zestawami wejść.

Korzystanie z funkcjonalnego 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)

Korzystanie z funkcjonalnego 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')

Czas na ćwiczenia!

Wprowadzenie do TensorFlow w Pythonie