Sequential模型、Flatten层、Dense层

Sequential模型

顺序模型
核心操作是添加layers,有两种方法
第一种:通过add()添加

model = Sequential()
model.add(tf.keras.layers.Dense(10,input_shape(1,)，activation='relu'))#10表示输出数据的维度，后面表示输入的形状,激活函数为relu
model.add(tf.keras.layers.Dense(28,input_shape(1,)))
1
2
3

第二种;直接添加

model = Sequential(tf.keras.layers.Dense(10,input_shape(1,),activation='relu'),tf.keras.layers.Dense(28,input_shape(1,)))
1

选择优化器（如rmsprop或adagrad）并指定损失函数（如categorical_crossentropy）来指定反向传播的计算方法

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop')
1
2

调用fit函数将数据提供给模型。这里还可以指定批次大小（batch size）、迭代次数、验证数据集等等。

model.fit(x_train, y_train, batch_size=32, epochs=10,validation_data=(x_val, y_val))
1

使用evaluate方法来评估模型。

score = model.evaluate(x_test，y_test，batch_size = 32)
1

Flatten层（展平层)

用来对数组进行展平操作的
假设有一张灰度图片，这个图片只有3x3个像素点，分别是从1到9，我们对其进行flatten操作。首先它会把每1行进行分开，然后用第2行接在第1行后面，形成一个新的数组1，2，3，4，5，6，最后再把第3行的7，8，9接在新生成的数组后面形成最终的数组。
例如:如果是彩色图片的话，它会有3个颜色通道，进行fltten时的步骤也是一样的。

Dense层

keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
1

参数
units ：代表该层的输出维度或神经元个数, units解释为神经元个数为了方便计算参数量，解释为输出维度为了方便计算维度
activation=None：激活函数.但是默认 liner (详见API的activation)
use_bias=True：布尔值，该层是否使用偏置向量b
kernel_initializer：初始化w权重 (详见API的initializers)
bias_initializer：初始化b权重 (详见API的initializers)
kernel_regularizer：施加在权重w上的正则项 (详见API的regularizer)
bias_regularizer：施加在偏置向量b上的正则项 (详见API的regularizer)
activity_regularizer：施加在输出上的正则项 (详见API的regularizer)
kernel_constraint：施加在权重w上的约束项 (详见API的constraints)
bias_constraint：施加在偏置b上的约束项 (详见API的constraints)

# 作为 Sequential 模型的第一层，需要指定输入维度。可以为 input_shape=(16,) 或者 input_dim=16，这两者是等价的。
model = Sequential()
model.add(Dense(32, input_shape=(16,))) #其输出数组的尺寸为 (*, 32)，模型以尺寸(*, 16) 的数组作为输入

# 在第一层之后，就不再需要指定输入的尺寸了：
model.add(Dense(32))
1
2
3
4
5
6

input_shape是指输入张量的shape
input_dim是指的张量的维度
比如，一个一阶的张量[1,2,3]的shape是(3,)，input_dim = 1（因为是一阶）
一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3)，input_dim = 2（因为是二阶）
一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)，input_dim = 3（因为是三阶）

参考
https://blog.csdn.net/mogoweb/article/details/82152174
https://blog.csdn.net/fisherming/article/details/114827976