Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Model Sequential

Lihat di TensorFlow.org Jalankan di Google Colab Lihat sumber di GitHub Unduh buku catatan

Mendirikan

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

Kapan menggunakan model Sequential

Model Sequential sesuai untuk tumpukan lapisan biasa di mana setiap lapisan memiliki tepat satu tensor masukan dan satu tensor keluaran .

Secara skematis, model Sequential berikut:

# Define Sequential model with 3 layers
model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)
# Call model on a test input
x = tf.ones((3, 3))
y = model(x)

setara dengan fungsi ini:

# Create 3 layers
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")

# Call layers on a test input
x = tf.ones((3, 3))
y = layer3(layer2(layer1(x)))

Model sekuensial tidak sesuai jika:

  • Model Anda memiliki banyak masukan atau beberapa keluaran
  • Setiap lapisan Anda memiliki banyak masukan atau beberapa keluaran
  • Anda perlu melakukan berbagi lapisan
  • Anda menginginkan topologi non-linier (misalnya koneksi residual, model multi-cabang)

Membuat model Sequential

Anda dapat membuat model Sequential dengan meneruskan daftar lapisan ke konstruktor Sequential:

model = keras.Sequential(
    [
        layers.Dense(2, activation="relu"),
        layers.Dense(3, activation="relu"),
        layers.Dense(4),
    ]
)

Lapisannya dapat diakses melalui atribut layers :

model.layers
[<tensorflow.python.keras.layers.core.Dense at 0x7f7d1d5c7898>,
 <tensorflow.python.keras.layers.core.Dense at 0x7f7d2f6e0a20>,
 <tensorflow.python.keras.layers.core.Dense at 0x7f7d16beb9b0>]

Anda juga dapat membuat model Sequential secara bertahap melalui metode add() :

model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))

Perhatikan bahwa ada juga metode pop() sesuai untuk menghapus lapisan: model Sequential berperilaku sangat mirip dengan daftar lapisan.

model.pop()
print(len(model.layers))  # 2
2

Perhatikan juga bahwa konstruktor Sequential menerima argumen name , seperti lapisan atau model apa pun di Keras. Ini berguna untuk menganotasi grafik TensorBoard dengan nama yang bermakna secara semantik.

model = keras.Sequential(name="my_sequential")
model.add(layers.Dense(2, activation="relu", name="layer1"))
model.add(layers.Dense(3, activation="relu", name="layer2"))
model.add(layers.Dense(4, name="layer3"))

Menentukan bentuk masukan terlebih dahulu

Umumnya, semua lapisan di Keras perlu mengetahui bentuk masukannya agar dapat membuat bobotnya. Jadi, saat Anda membuat lapisan seperti ini, awalnya tidak memiliki bobot:

layer = layers.Dense(3)
layer.weights  # Empty
[]

Ini membuat bobotnya saat pertama kali dipanggil pada masukan, karena bentuk bobot bergantung pada bentuk masukan:

# Call layer on a test input
x = tf.ones((1, 4))
y = layer(x)
layer.weights  # Now it has weights, of shape (4, 3) and (3,)
[<tf.Variable 'dense_6/kernel:0' shape=(4, 3) dtype=float32, numpy=
 array([[-0.06262648,  0.36915624, -0.27826005],
        [-0.6703571 , -0.03467071,  0.80370367],
        [-0.00725174,  0.19120002,  0.34244013],
        [-0.20762473, -0.31104177, -0.26624495]], dtype=float32)>,
 <tf.Variable 'dense_6/bias:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]

Secara alami, ini juga berlaku untuk model Sequential. Saat Anda membuat instance model Sequential tanpa bentuk input, model tersebut tidak "dibangun": tidak memiliki bobot (dan memanggil model.weights menghasilkan error yang menyatakan ini saja). Bobot dibuat saat model pertama kali melihat beberapa data masukan:

model = keras.Sequential(
    [
        layers.Dense(2, activation="relu"),
        layers.Dense(3, activation="relu"),
        layers.Dense(4),
    ]
)  # No weights at this stage!

# At this point, you can't do this:
# model.weights

# You also can't do this:
# model.summary()

# Call the model on a test input
x = tf.ones((1, 4))
y = model(x)
print("Number of weights after calling the model:", len(model.weights))  # 6
Number of weights after calling the model: 6

Setelah model "dibangun", Anda dapat memanggil metode summary() untuk menampilkan isinya:

model.summary()
Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_7 (Dense)              (1, 2)                    10        
_________________________________________________________________
dense_8 (Dense)              (1, 3)                    9         
_________________________________________________________________
dense_9 (Dense)              (1, 4)                    16        
=================================================================
Total params: 35
Trainable params: 35
Non-trainable params: 0
_________________________________________________________________

Namun, akan sangat berguna saat membangun model Sequential secara bertahap untuk dapat menampilkan ringkasan model sejauh ini, termasuk bentuk keluaran saat ini. Dalam kasus ini, Anda harus memulai model dengan meneruskan objek Input ke model Anda, sehingga model mengetahui bentuk inputnya dari awal:

model = keras.Sequential()
model.add(keras.Input(shape=(4,)))
model.add(layers.Dense(2, activation="relu"))

model.summary()
Model: "sequential_4"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_10 (Dense)             (None, 2)                 10        
=================================================================
Total params: 10
Trainable params: 10
Non-trainable params: 0
_________________________________________________________________

Perhatikan bahwa objek Input tidak ditampilkan sebagai bagian dari model.layers , karena ini bukan lapisan:

model.layers
[<tensorflow.python.keras.layers.core.Dense at 0x7f7d16b870f0>]

Alternatif sederhana adalah dengan hanya meneruskan argumen input_shape ke lapisan pertama Anda:

model = keras.Sequential()
model.add(layers.Dense(2, activation="relu", input_shape=(4,)))

model.summary()
Model: "sequential_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_11 (Dense)             (None, 2)                 10        
=================================================================
Total params: 10
Trainable params: 10
Non-trainable params: 0
_________________________________________________________________

Model yang dibangun dengan bentuk masukan yang telah ditentukan seperti ini selalu memiliki bobot (bahkan sebelum melihat data apa pun) dan selalu memiliki bentuk keluaran yang ditentukan.

Secara umum, praktik terbaik yang disarankan adalah selalu menentukan bentuk input model Sequential terlebih dahulu jika Anda tahu apa itu.

Alur kerja debugging yang umum: add() + summary()

Saat membangun arsitektur Sequential baru, akan berguna untuk menumpuk lapisan secara bertahap dengan add() dan sering mencetak ringkasan model. Sebagai contoh, ini memungkinkan Anda untuk memantau bagaimana setumpuk Conv2D dan MaxPooling2D lapisan yang downsampling peta fitur image:

model = keras.Sequential()
model.add(keras.Input(shape=(250, 250, 3)))  # 250x250 RGB images
model.add(layers.Conv2D(32, 5, strides=2, activation="relu"))
model.add(layers.Conv2D(32, 3, activation="relu"))
model.add(layers.MaxPooling2D(3))

# Can you guess what the current output shape is at this point? Probably not.
# Let's just print it:
model.summary()

# The answer was: (40, 40, 32), so we can keep downsampling...

model.add(layers.Conv2D(32, 3, activation="relu"))
model.add(layers.Conv2D(32, 3, activation="relu"))
model.add(layers.MaxPooling2D(3))
model.add(layers.Conv2D(32, 3, activation="relu"))
model.add(layers.Conv2D(32, 3, activation="relu"))
model.add(layers.MaxPooling2D(2))

# And now?
model.summary()

# Now that we have 4x4 feature maps, time to apply global max pooling.
model.add(layers.GlobalMaxPooling2D())

# Finally, we add a classification layer.
model.add(layers.Dense(10))
Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 123, 123, 32)      2432      
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 121, 121, 32)      9248      
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 40, 40, 32)        0         
=================================================================
Total params: 11,680
Trainable params: 11,680
Non-trainable params: 0
_________________________________________________________________
Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 123, 123, 32)      2432      
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 121, 121, 32)      9248      
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 40, 40, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 38, 38, 32)        9248      
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 36, 36, 32)        9248      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 12, 12, 32)        0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 10, 10, 32)        9248      
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 8, 8, 32)          9248      
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 4, 4, 32)          0         
=================================================================
Total params: 48,672
Trainable params: 48,672
Non-trainable params: 0
_________________________________________________________________

Sangat praktis bukan?

Apa yang harus dilakukan setelah Anda memiliki model

Setelah arsitektur model Anda siap, Anda ingin:

Ekstraksi fitur dengan model Sequential

Setelah model Sequential dibuat, ia berperilaku seperti model API Fungsional . Artinya setiap lapisan memiliki atribut input dan output . Atribut ini dapat digunakan untuk melakukan hal-hal yang rapi, seperti membuat model dengan cepat yang mengekstrak output dari semua lapisan perantara dalam model Sequential:

initial_model = keras.Sequential(
    [
        keras.Input(shape=(250, 250, 3)),
        layers.Conv2D(32, 5, strides=2, activation="relu"),
        layers.Conv2D(32, 3, activation="relu"),
        layers.Conv2D(32, 3, activation="relu"),
    ]
)
feature_extractor = keras.Model(
    inputs=initial_model.inputs,
    outputs=[layer.output for layer in initial_model.layers],
)

# Call feature extractor on test input.
x = tf.ones((1, 250, 250, 3))
features = feature_extractor(x)

Berikut adalah contoh serupa yang hanya mengekstrak fitur dari satu lapisan:

initial_model = keras.Sequential(
    [
        keras.Input(shape=(250, 250, 3)),
        layers.Conv2D(32, 5, strides=2, activation="relu"),
        layers.Conv2D(32, 3, activation="relu", name="my_intermediate_layer"),
        layers.Conv2D(32, 3, activation="relu"),
    ]
)
feature_extractor = keras.Model(
    inputs=initial_model.inputs,
    outputs=initial_model.get_layer(name="my_intermediate_layer").output,
)
# Call feature extractor on test input.
x = tf.ones((1, 250, 250, 3))
features = feature_extractor(x)

Transfer pembelajaran dengan model Sequential

Pembelajaran transfer terdiri dari pembekuan lapisan bawah dalam model dan hanya melatih lapisan atas. Jika Anda tidak terbiasa dengannya, pastikan untuk membaca panduan kami untuk mentransfer pembelajaran .

Berikut adalah dua cetak biru pemelajaran transfer umum yang melibatkan model berurutan.

Pertama, katakanlah Anda memiliki model Sequential, dan Anda ingin membekukan semua layer kecuali yang terakhir. Dalam kasus ini, Anda cukup mengulang model.layers dan menyetel layer.trainable = False pada setiap lapisan, kecuali yang terakhir. Seperti ini:

model = keras.Sequential([
    keras.Input(shape=(784))
    layers.Dense(32, activation='relu'),
    layers.Dense(32, activation='relu'),
    layers.Dense(32, activation='relu'),
    layers.Dense(10),
])

# Presumably you would want to first load pre-trained weights.
model.load_weights(...)

# Freeze all layers except the last one.
for layer in model.layers[:-1]:
  layer.trainable = False

# Recompile and train (this will only update the weights of the last layer).
model.compile(...)
model.fit(...)

Cetak biru umum lainnya adalah menggunakan model Sequential untuk menyusun model terlatih dan beberapa lapisan klasifikasi yang baru diinisialisasi. Seperti ini:

# Load a convolutional base with pre-trained weights
base_model = keras.applications.Xception(
    weights='imagenet',
    include_top=False,
    pooling='avg')

# Freeze the base model
base_model.trainable = False

# Use a Sequential model to add a trainable classifier on top
model = keras.Sequential([
    base_model,
    layers.Dense(1000),
])

# Compile & train
model.compile(...)
model.fit(...)

Jika Anda melakukan pembelajaran transfer, Anda mungkin akan sering menggunakan kedua pola ini.

Itu tentang semua yang perlu Anda ketahui tentang model Sequential!

Untuk mengetahui lebih lanjut tentang membangun model di Keras, lihat: