深度学习技术之加宽前馈全连接神经网络

深度学习技术

加宽前馈全连接神经网络
- [1. Functional API 搭建神经网络模型](#1. Functional API 搭建神经网络模型)
- - [1.1 利用Functional API编写宽深神经网络模型进行手写数字识别](#1.1 利用Functional API编写宽深神经网络模型进行手写数字识别)
  - - [1.1.1 导入需要的库](#1.1.1 导入需要的库)
    - [1.1.2 加载虹膜（Iris）数据集](#1.1.2 加载虹膜（Iris）数据集)
    - [1.1.3 分割训练集和测试集](#1.1.3 分割训练集和测试集)
    - [1.1.4 定义模型输入层](#1.1.4 定义模型输入层)
    - [1.1.5 添加隐藏层](#1.1.5 添加隐藏层)
    - [1.1.6 拼接输入层和第二个隐藏层](#1.1.6 拼接输入层和第二个隐藏层)
    - [1.1.7 添加输出层](#1.1.7 添加输出层)
    - [1.1.8 创建模型](#1.1.8 创建模型)
    - [1.1.9 打印模型的摘要](#1.1.9 打印模型的摘要)
    - [1.1.10 模型编译并训练](#1.1.10 模型编译并训练)
  - [1.2 利用Functional API编写多输入神经网络模型进行手写数字识别](#1.2 利用Functional API编写多输入神经网络模型进行手写数字识别)
  - - [1.2.1 分割子集](#1.2.1 分割子集)
    - [1.2.2 定义输入层](#1.2.2 定义输入层)
    - [1.2.3 定义全连接层](#1.2.3 定义全连接层)
    - [1.2.4 创建模型](#1.2.4 创建模型)
    - [1.2.5 编译与训练模型](#1.2.5 编译与训练模型)
    - [1.2.6 训练历史数据的可视化](#1.2.6 训练历史数据的可视化)
- [2. SubClassing API 搭建神经网络模型](#2. SubClassing API 搭建神经网络模型)
- - [2.1 前馈全连接神经网络手写数字识别](#2.1 前馈全连接神经网络手写数字识别)
  - - [2.1.1 定义一个Keras模型类](#2.1.1 定义一个Keras模型类)
    - [2.1.2 定义方法](#2.1.2 定义方法)
    - [2.1.3 初始化模型](#2.1.3 初始化模型)
    - [2.1.4 通过在初始化中传递参数改变模型元素默认值](#2.1.4 通过在初始化中传递参数改变模型元素默认值)
    - [2.1.5 编译与训练模型](#2.1.5 编译与训练模型)
    - [2.1.6 打印模型摘要](#2.1.6 打印模型摘要)

加宽前馈全连接神经网络

1. Functional API 搭建神经网络模型

1.1 利用Functional API编写宽深神经网络模型进行手写数字识别

1.1.1 导入需要的库

利用Sequential API建立一个顺序传播的前馈全连接神经网络，导入numpy、pandas，tensorflow等库，以及导入matplotlib的pyplot模块。从sklearn库的datasets模块中导入load_iris函数，以及从sklearn库的model_selection模块中导入train_test_split函数。从TensorFlow库中导入Keras模块。

python 复制代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow import keras

1.1.2 加载虹膜（Iris）数据集

虹膜（Iris）数据集是scikit-learn库中内置的一个样本数据集，它包含了150个样本，分为三个类，每个类有50个样本。这三个类分别是山鸢尾（Iris Setosa）、杂色鸢尾（Iris Versicolour）和维吉尼亚鸢尾（Iris Virginica）。

python 复制代码

iris = load_iris()

1.1.3 分割训练集和测试集

将虹膜（Iris）数据集分割为训练集和测试集，得到训练集x_train和y_train，再将分割得到的训练集x_train和y_train分割为新的训练集和验证集。

python 复制代码

x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target, test_size=0.2, random_state=23)
X_train, X_valid, y_train, y_valid=train_test_split(x_train, y_train,test_size=0.2, random_state=12)

1.1.4 定义模型输入层

使用X_train.shape[1:]作为输入层的形状，因为X_train.shape[0]是批量大小，通常在训练过程中改变，而X_train.shape[1:]包含了特征的数量，这些数量在训练过程中保持不变。

python 复制代码

inputs = keras.layers.Input(shape=X_train.shape[1:])

1.1.5 添加隐藏层

隐藏层，包含神经元，并使用ReLU激活函数。

python 复制代码

hidden1 = keras.layers.Dense(300, activation="relu")(inputs)
hidden2 = keras.layers.Dense(100, activation="relu")(hidden1)

1.1.6 拼接输入层和第二个隐藏层

将输入层和第二个隐藏层的输出进行拼接，得到一个融合了输入和中间层信息的特征向量。

python 复制代码

concat = keras.layers.concatenate([inputs, hidden2])

1.1.7 添加输出层

添加了一个输出层，包含10个神经元，使用softmax激活函数，因为模型是用于多类分类任务。

python 复制代码

output = keras.layers.Dense(10, activation="softmax")(concat)

1.1.8 创建模型

创建了一个完整的模型，将输入层和输出层连接起来，形成了一个有监督学习的模型结构。

这个模型结构结合了"宽"模型（wide model）和"深"模型（deep model）的特点，通过输入层和隐藏层的拼接来融合这两种模型。

python 复制代码

model_fun_WideDeep = keras.models.Model(inputs=[inputs], outputs=[output])

运行结果：

1.1.9 打印模型的摘要

python 复制代码

model_fun_WideDeep.summary()

1.1.10 模型编译并训练

model_fun_WideDeep.fit()方法将开始模型的训练过程，并在每个轮次结束后使用验证数据评估模型的性能。训练过程中，模型将逐渐学习如何将输入特征映射到正确的输出类别。

python 复制代码

model_fun_WideDeep.compile(loss="sparse_categorical_crossentropy",optimizer="sgd",metrics=["accuracy"])
h=model_fun_WideDeep.fit(X_train, y_train, batch_size=32, epochs=30, validation_data=(X_valid, y_valid))

运行结果：

1.2 利用Functional API编写多输入神经网络模型进行手写数字识别

1.2.1 分割子集

将训练集X_train和验证集X_valid分割为两个子集。

python 复制代码

X_train_A, X_train_B = X_train[:, :200], X_train[:, 100:]
X_valid_A, X_valid_B = X_valid[:, :200], X_valid[:, 100:]

1.2.2 定义输入层

python 复制代码

input_A = keras.layers.Input(shape=X_train_A.shape[1])
input_B = keras.layers.Input(shape=X_train_B.shape[1])

1.2.3 定义全连接层

python 复制代码

hidden1 = keras.layers.Dense(300, activation="relu")(input_B)
hidden2 = keras.layers.Dense(100, activation="relu")(hiddenl)

1.2.4 创建模型

将输入层和输出层连接起来。

python 复制代码

model_fun_MulIn = keras.models.Model(inputs=[input_A, input_B], outputs=[output])

1.2.5 编译与训练模型

在训练过程中，模型将使用指定的损失函数和优化器来更新权重，并使用准确率作为评估指标来监控性能。

python 复制代码

model_fun_MulIn.compile(loss="sparse_categorical_crossentropy",optimizer="sgd",metrics=["accuracy"])

运行结果：

1.2.6 训练历史数据的可视化

图中显示了训练和验证集上的损失和准确率随轮次的变化情况。

python 复制代码

pd.DataFrame(h.history).plot(figsize=(8,5))
plt.grid(True)
plt.gca().set_ylim(0,1)
plt.show()

运行结果：

2. SubClassing API 搭建神经网络模型

2.1 前馈全连接神经网络手写数字识别

2.1.1 定义一个Keras模型类

定义一个自定义的Keras模型类Model_sub_fnn，继承自keras.models.Model。这个类定义了一个简单的全连接神经网络，它有两个隐藏层和一个输出层。

python 复制代码

class Model_sub_fnn(keras.models.Model):
    def __init__(self, units_1=300, units_2=100, units_out=10, activation='relu'):
        super().__init__()
        self.hidden1 = keras.layers.Dense(units_1, activation=activation)
        self.hidden2 = keras.layers.Dense(units_2, activation=activation)
        self.main_output = keras.layers.Dense(units_out, activation='softmax')

2.1.2 定义方法

给Model_sub_fnn类定义一个call方法。这个方法是Keras模型中的一个特殊方法，它定义了模型的前向传播过程，它将输入数据通过模型的所有层，并返回最终的输出。

python 复制代码

def call(self, data):
    hidden1 = self.hidden1(data)
    hidden2 = self.hidden2(hidden1)
    main_output = self.main_output(hidden2)
    return main_output

2.1.3 初始化模型

python 复制代码

model_sub_fnn = Model_sub_fnn()

2.1.4 通过在初始化中传递参数改变模型元素默认值

python 复制代码

model_sub_fnn2 = Model_sub_fnn(300, 100, 10, activation='relu')

2.1.5 编译与训练模型

编译模型，使用训练数据和验证数据进行训练。在训练过程中，模型将使用指定的损失函数和优化器来更新权重，并使用准确率作为评估指标来监控性能。训练完成后，将得到模型的摘要，其中包含了模型的详细信息。

python 复制代码

model_sub_fnn.compile(loss='sparse_categorical_crossentropy',optimizer='sgd',metrics=["accuracy")
h= model_sub_fnn.fit(X_train,y_train,batch_size=32,epochs=30,validation_data = (X_valid,y_valid))

运行结果：

2.1.6 打印模型摘要

打印出模型的摘要，其中包括模型的层结构、每个层的输出形状、层的参数数量以及整个模型的总参数数量。

python 复制代码

model_sub_fnn.summary()

运行结果：