Definiera neurala nätverk med Keras

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Klassificera teckenspråksbokstäver

Den här bilden visar teckenspråksbokstaven A.

Den här bilden visar teckenspråksbokstaven B.

Den här bilden visar teckenspråksbokstaven C.

Den här bilden visar teckenspråksbokstaven D.

Det sekventiella API:et

Bilden visar ett neuralt nätverk med 16 noder i det första dolda lagret, 8 i det andra och 4 i utdatalagret.

Det sekventiella API:et

Indatalager
Dolda lager
Utdatalager
Ordnade i sekvens

Bygga en sekventiell modell

# 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,)))

Bygga en sekventiell modell

# 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())

Det funktionella API:et

Bilden visar ett neuralt nätverk med två uppsättningar indata.

Använda det funktionella API:et

# 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)

Använda det funktionella API:et

# 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')

Nu kör vi en övning!

Introduktion till TensorFlow i Python