小编给大家分享一下Keras中Sequential和Model的案例分析，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨方法吧！

在Keras中有两种深度学习的模型：序列模型（Sequential）和通用模型（Model）。差异在于不同的拓扑结构。

序列模型 Sequential

序列模型各层之间是依次顺序的线性关系，模型结构通过一个列表来制定。

from keras.models import Sequentialfrom keras.layers import Dense, Activationlayers = [Dense(32, input_shape = (784,)), Activation('relu'), Dense(10), Activation('softmax')]model = Sequential(layers)

或者逐层添加网络结构

from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = Sequential()model.add(Dense(32, input_shape = (784,)))model.add(Activation('relu'))model.add(Dense(10))model.add(Activation('softmax'))

通用模型Model

通用模型可以设计非常复杂、任意拓扑结构的神经网络，例如有向无环网络、共享层网络等。相比于序列模型只能依次线性逐层添加，通用模型能够比较灵活地构造网络结构，设定各层级的关系。

from keras.layers import Input, Densefrom keras.models import Model# 定义输入层，确定输入维度input = input(shape = (784, ))# 2个隐含层，每个都有64个神经元，使用relu激活函数，且由上一层作为参数x = Dense(64, activation='relu')(input)x = Dense(64, activation='relu')(x)# 输出层y = Dense(10, activation='softmax')(x)# 定义模型，指定输入输出model = Model(input=input, output=y)# 编译模型，指定优化器，损失函数，度量model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])# 模型拟合，即训练model.fit(data, labels)

补充知识：keras神经网络，Sequential序贯模型（二分类、多分类）

1 Sequential参数

model = Sequential() model.add(Dense(32, input_dim=78))

解释：

Sequential 的第一个关于输入数据shape的参数，后边的各个层则可以自动推到出中间数据的shape

01 传递一个input_shape的关键字参数给第一层，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。

02 有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape,是一个Int类型的数据。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。

03 如果你需要为输入指定一个固定大小的batch_size（常用于stateful RNN网络），可以传递batch_size参数到一个层中，例如你想指定输入张量的batch大小是32，数据shape是（6，8），则你需要传递batch_size=32和input_shape=(6,8)。

2、compile配置学习过程

model.compile(optimizer='rmspropy',loss='categorical_crossentropy',metrics=['accuracy'])

01 优化器optimizer：

该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象。

02 损失函数loss：

该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。

03 指标列表metrics：

对分类问题，我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.

3、案例

01 基于多层感知器Softmax多分类（图片）

from keras.models import Sequentialfrom keras.layers import Dense,Dropout,Activationfrom keras.optimizers import SGDimport keras #abd # Generate dummy dataimport numpy as np x_train=np.random.random((1000,20))y_train=keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)x_test=np.random.random((100,20))y_test=keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10) model=Sequential() # Dense(64) is a fully-connected Layer with 64 hidden units.# in the first layer ,you must specify the expected input data shape;# here,20-dimensional vectors. model.add(Dense(64,activation='relu',input_dim=20))model.add(Dropout(0.5))model.add(Dense(64,activation='relu'))model.add(Dropout(0.5))model.add(Dense(10,activation='softmax')) sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True) model.compile(loss='categorical_crossentropy', # 损失函数 optimizer=sgd, # metrics=['accuracy'] # 精确度，评估模型在训练和测试时的网络性能的指标。 ) model.fit(x_train,y_train,epochs=20,batch_size=128) # batch_size 整数，指定进行梯度下降时每个批次包含的样本数训练时一个批次的样本# 会被计算一次梯度下降，使目标函数进行一步优化# epochs；训练20次，整数，训练终止时候的epoch值score=model.evaluate(x_test,y_test,batch_size=128) # 评估函数 ，本函数返回一个测试误差的标量值（如果模型没有其他评价指标）。

02 MLP的二分类

import numpy as npfrom keras.models import Sequentialfrom keras.layers import Dense,Dropout x_train=np.random.random((1000,20))y_train=keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)x_test=np.random.random((100,20))y_test=keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10) model=Sequential()model.add(Dense(64,input_dim=20,activation='relu'))model.add(Dropout(0.5))model.add(Dense(64,activation='relu'))model.add(Dropout(0.5))model.add(Dense(1,activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit(x_train,y_train, epoches=20, batch_size=128) score=model.evaluate(x_test,y_test,batch_size=128)

看完了这篇文章，相信你对Keras中Sequential和Model的案例分析有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！