深度学习-Tensorflow Keras使用函数式API构建复杂模型

Posted 2023-04-09 毛飞龙

在深度学习中，并非所有的网络结构都是顺序神经网络，还存在非顺序神经网络，比如有多个输入或者输出的网络，比较典型的是“Wide&Deep”网络（Heng-Tze Cheng et al.,Wide & Deep Learning for Recommender Systems）, 此时就需要使用函数式API来构建复杂的网络了。

Wide&Deep网络

如下图Wide&Deep网络，将所有或者部分输入直接连接到输出层，这种架构能使神经网络学习深度模式（使用深度路径）和简单规则（通过短路径），而常规的MLP使所有的数据流经整个层。

使用Keras，该网络可以表述为：

input_ = keras.layers.Input(shape=X_train.shape[1:])
hidden1 = keras.layers.Dense(30, activation="relu")(input_)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_, hidden2])
output = keras.layers.Dense(1)(concat)
model = keras.models.Model(inputs=[input_], outputs=[output])

我们来看没一行代码：

1. 首先，我们创建了一个Input对象，这是模型需要的输入类型规范，包括shape和dtpye 
2. 我们创建了一个包含30个神经元的Dense层（hidden1），其输入为Input_层，这一步就像调用函数一样，因此称之为函数式API
3. 我们创建了第二个包含30个神经元的Dense层（hidden2），其输入为hidden_层
4. 接下来，我们创建一个Concatenate层，使用它来合并输入层和第二个隐藏层的输出
5. 然后我们创建具有单个神经元切没有激活函数的输出层，将合并层的结果传递给他。
6. 最后，我吗创建了一个Keras Model，指定要使用的输入和输出。

一旦构建了Keras模型，一切都和之前一样，编译模型、训练、评估和使用它进行预测。

model.compile(loss="mean_squared_error", optimizer=keras.optimizers.SGD(lr=1e-3))
history = model.fit(X_train, y_train, epochs=20,
                    validation_data=(X_valid, y_valid))
mse_test = model.evaluate(X_test, y_test)
y_pred = model.predict(X_new)

Wide&Deep网络 多输入

如果想通过宽路径输入特征的子集，而通过深路径送入特征的另一个子集，在这种情况下，需要使用多输入。比如假设我吗要通过宽路径输入5个特征（特征0到4），通过深路径送入6个特征（特征2到7）。

模型网络层定义代码如下：

input_A = keras.layers.Input(shape=[5], name="wide_input")
input_B = keras.layers.Input(shape=[6], name="deep_input")
hidden1 = keras.layers.Dense(30, activation="relu")(input_B)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_A, hidden2])
output = keras.layers.Dense(1, name="output")(concat)
model = keras.models.Model(inputs=[input_A, input_B], outputs=[output])

此时，我们在调用fit()方法时，必须要传入一对矩阵（X_train_A, X_train_B）,而不是传入单个矩阵X_train，调用evaluate()或predict()方法时也一样。

model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))

X_train_A, X_train_B = X_train[:, :5], X_train[:, 2:] # train_A 0到4列，train_B 2到6列
X_valid_A, X_valid_B = X_valid[:, :5], X_valid[:, 2:]
X_test_A, X_test_B = X_test[:, :5], X_test[:, 2:]
X_new_A, X_new_B = X_test_A[:3], X_test_B[:3] # 只选取3个样本查看结果

history = model.fit((X_train_A, X_train_B), y_train, epochs=20,
                    validation_data=((X_valid_A, X_valid_B), y_valid))
mse_test = model.evaluate((X_test_A, X_test_B), y_test)
y_pred = model.predict((X_new_A, X_new_B))

 Wide&Deep网络 多输出

在许多场景中，可能需要多少个输出

1. 想在图片中定位和分类主要物体，既涉及回归任务（查找物体的中心坐标、宽度和高度），又是分类任务
2. 基于同一个数据的多个独立任务。比如，对面部图片进行多分类任务，使用一个输出对面部表情进行分类，使用另一个任务识别他们是否戴着眼镜。虽然也可以针对每个独立的任务单独训练一个神经网络，但是在多数情况下，通过一个网络训练多个独立任务往往能得到更好的结果。
3. 正则化技术应用。 

input_A = keras.layers.Input(shape=[5], name="wide_input")
input_B = keras.layers.Input(shape=[6], name="deep_input")
hidden1 = keras.layers.Dense(30, activation="relu")(input_B)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_A, hidden2])
output = keras.layers.Dense(1, name="main_output")(concat)

# 添加一个辅助输出，在训练的时候，也可以计入Loss
aux_output = keras.layers.Dense(1, name="aux_output")(hidden2)
model = keras.models.Model(inputs=[input_A, input_B],
                           outputs=[output, aux_output])

这种情况下，每个输出都需要有自己的损失函数，因此，当我们在编译模型的时候， 应该传递一系列损失。默认情况下，Keras将计算所有的这些损失，并将他们简单累加得到用于训练的最终损失。由于我们更加关心主要输出而不是辅助输出（因为它仅仅用于正则化），因此我们需要给主要输出更大的权重。

model.compile(loss=["mse", "mse"], loss_weights=[0.9, 0.1], optimizer=keras.optimizers.SGD(lr=1e-3))

history = model.fit([X_train_A, X_train_B], [y_train, y_train], epochs=20,
                    validation_data=([X_valid_A, X_valid_B], [y_valid, y_valid]))

 

当评估模型时，Keras将返回总损失以及所有单个损失，同样当预测时，Keras 将为每个输出返回预测值。

# 评估时返回总损失，以及单个任务损失
total_loss, main_loss, aux_loss = model.evaluate(
    [X_test_A, X_test_B], [y_test, y_test])

# 预测时，为每个任务输出预测值
y_pred_main, y_pred_aux = model.predict([X_new_A, X_new_B])

注：X_new_A只有3个样本，因此输入结果为一个长度为3的数组。 

 

Tensorflow+Keras 深度学习人工智能实践应用 Chapter Two 深度学习原理

2.1神经传导原理

y=activation（x*w+b）

激活函数通常为非线性函数  Sigmoid 函数 和  ReLU函数

2.2以矩阵运算模仿真神经网络

y=activation(x*w+b)

输出=激活函数（输入*权重+偏差）

2.3多层感知器模型

1以多层感知器模型识别minst 手写数字图像

输入层的数据 是28*28的二维图像 以reshape 转换为1 维的向量 作为784个神经元的shuru

输入层 784 个输入神经元接收外界信号

隐藏层 模拟内部神经元 共有 256个隐藏神经元

输出层 10个输出神经元就是预测的结果

对应我们希望预测的数字 0-9共有10个结果