แบบจำลองลำดับ

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

ติดตั้ง

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

เมื่อใดควรใช้แบบจำลองลำดับ

Sequential รูปแบบที่เหมาะสมสำหรับกองธรรมดาของชั้นซึ่งแต่ละชั้นมีเมตริกซ์การป้อนข้อมูลตรงหนึ่งและหนึ่ง output เมตริกซ์

แผนผังดังต่อไปนี้ Sequential รุ่น:

# 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)

เทียบเท่ากับฟังก์ชันนี้:

# 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)))

รูปแบบ Sequential ไม่เหมาะสมเมื่อ:

  • โมเดลของคุณมีหลายอินพุตหรือหลายเอาต์พุต
  • เลเยอร์ใด ๆ ของคุณมีหลายอินพุตหรือหลายเอาต์พุต
  • คุณต้องทำการแชร์เลเยอร์
  • คุณต้องการโทโพโลยีที่ไม่เป็นเชิงเส้น (เช่น การเชื่อมต่อที่เหลือ, โมเดลหลายสาขา)

การสร้างแบบจำลองตามลำดับ

คุณสามารถสร้างโมเดล Sequential โดยส่งรายการเลเยอร์ไปยัง Sequential constructor:

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

ชั้นมันจะสามารถเข้าถึงได้ผ่านทาง layers แอตทริบิวต์:

model.layers
[<keras.layers.core.Dense at 0x7fdc784478d0>,
 <keras.layers.core.Dense at 0x7fdbbc3c4650>,
 <keras.layers.core.Dense at 0x7fdbbc3c4a10>]

นอกจากนี้คุณยังสามารถสร้างรูปแบบต่อเนื่องเพิ่มขึ้นผ่านทาง add() วิธีการ:

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

ทราบว่ายังมีที่สอดคล้องกัน pop() วิธีการที่จะเอาชั้น: ลำดับพฤติกรรมรูปแบบมากเช่นรายชื่อของชั้น

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

นอกจากนี้ทราบว่าตัวสร้างลำดับยอมรับ name โต้แย้งเช่นเดียวกับชั้นใด ๆ หรือในรูปแบบ Keras สิ่งนี้มีประโยชน์ในการใส่คำอธิบายประกอบในกราฟ TensorBoard ด้วยชื่อที่สื่อความหมาย

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"))

ระบุรูปร่างอินพุตล่วงหน้า

โดยทั่วไป เลเยอร์ทั้งหมดใน Keras จำเป็นต้องทราบรูปร่างของอินพุตเพื่อสร้างน้ำหนัก ดังนั้น เมื่อคุณสร้างเลเยอร์แบบนี้ ในตอนแรก เลเยอร์จะไม่มีน้ำหนัก:

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

มันสร้างน้ำหนักของมันในครั้งแรกที่มันถูกเรียกบนอินพุต เนื่องจากรูปร่างของน้ำหนักขึ้นอยู่กับรูปร่างของอินพุต:

# 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([[ 0.5319189 , -0.8767905 , -0.63919735],
        [-0.6276014 ,  0.1689707 , -0.57695866],
        [ 0.6710613 ,  0.5354214 , -0.00893992],
        [ 0.15670097, -0.15280598,  0.8865864 ]], dtype=float32)>,
 <tf.Variable 'dense_6/bias:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]

โดยธรรมชาติแล้ว สิ่งนี้ใช้ได้กับโมเดลตามลำดับด้วย เมื่อคุณยกตัวอย่างรูปแบบต่อเนื่องโดยไม่ต้องป้อนข้อมูลรูปร่างก็ไม่ได้ "สร้าง": มันไม่มีน้ำหนัก (และเรียก model.weights ผลในข้อผิดพลาดระบุเพียงแค่นี้) ตุ้มน้ำหนักจะถูกสร้างขึ้นเมื่อโมเดลเห็นข้อมูลอินพุตบางอย่างในครั้งแรก:

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

เมื่อรูปแบบคือ "สร้าง" คุณสามารถเรียกมัน summary() วิธีการในการแสดงเนื้อหา:

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
_________________________________________________________________

อย่างไรก็ตาม อาจมีประโยชน์มากเมื่อสร้างแบบจำลองแบบต่อเนื่องเพื่อให้สามารถแสดงข้อมูลสรุปของแบบจำลองจนถึงตอนนี้ รวมถึงรูปร่างของผลลัพธ์ปัจจุบัน ในกรณีนี้คุณควรเริ่มต้นรูปแบบของคุณได้โดยใช้ Input วัตถุกับรูปแบบของคุณเพื่อให้มันรู้รูปร่างปัจจัยการผลิตตั้งแต่เริ่มต้น:

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
_________________________________________________________________

โปรดทราบว่า Input วัตถุจะไม่แสดงเป็นส่วนหนึ่งของ model.layers เพราะมันไม่ได้เป็นเลเยอร์:

model.layers
[<keras.layers.core.Dense at 0x7fdbbc37c390>]

ทางเลือกที่ง่ายคือเพียงแค่ผ่านการ input_shape โต้แย้งไปยังชั้นแรกของคุณ:

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
_________________________________________________________________

โมเดลที่สร้างด้วยรูปร่างอินพุตที่กำหนดไว้ล่วงหน้าเช่นนี้จะมีน้ำหนักเสมอ (แม้กระทั่งก่อนที่จะเห็นข้อมูลใดๆ ก็ตาม) และมีรูปร่างเอาต์พุตที่กำหนดไว้เสมอ

โดยทั่วไป แนวทางปฏิบัติที่ดีที่สุดที่แนะนำคือให้ระบุรูปร่างอินพุตของโมเดลตามลำดับล่วงหน้าเสมอ หากคุณรู้ว่ามันคืออะไร

ธรรมดาเวิร์กโฟลว์การแก้จุดบกพร่อง: add() + summary()

เมื่อมีการสร้างสถาปัตยกรรมลำดับใหม่ก็มีประโยชน์ที่จะเพิ่มขึ้นสแต็คชั้นกับ add() และบ่อยครั้งที่พิมพ์สรุปรูปแบบ ตัวอย่างเช่นนี้จะช่วยให้คุณสามารถตรวจสอบว่าสแต็คของ Conv2D และ MaxPooling2D ชั้นเป็น downsampling แผนที่คุณลักษณะภาพ:

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
_________________________________________________________________

มีประโยชน์มากใช่มั้ย?

ทำอย่างไรเมื่อมีนางแบบ

เมื่อสถาปัตยกรรมแบบจำลองของคุณพร้อม คุณจะต้อง:

การแยกคุณลักษณะด้วยแบบจำลองตามลำดับ

เมื่อรูปแบบต่อเนื่องได้รับการสร้างขึ้นมันจะทำงานเหมือน รุ่น API ฟังก์ชั่น ซึ่งหมายความว่าทุกชั้นมี input และ output แอตทริบิวต์ คุณลักษณะเหล่านี้สามารถใช้เพื่อทำสิ่งต่าง ๆ อย่างเรียบร้อย เช่น การสร้างแบบจำลองที่แยกเอาท์พุตของเลเยอร์กลางทั้งหมดในแบบจำลองลำดับอย่างรวดเร็ว:

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)

ต่อไปนี้คือตัวอย่างที่คล้ายกันซึ่งแยกคุณลักษณะจากเลเยอร์เดียวเท่านั้น:

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)

ถ่ายทอดการเรียนรู้ด้วยแบบจำลองตามลำดับ

การโอนย้ายการเรียนรู้ประกอบด้วยการแช่แข็งเลเยอร์ด้านล่างในแบบจำลองและฝึกเฉพาะเลเยอร์บนสุดเท่านั้น หากคุณยังไม่คุ้นเคยกับมันให้แน่ใจว่าจะอ่าน คู่มือเพื่อการเรียนรู้การถ่ายโอน

ต่อไปนี้คือพิมพ์เขียวการเรียนรู้การถ่ายโอนทั่วไปสองแบบที่เกี่ยวข้องกับแบบจำลองตามลำดับ

อันดับแรก สมมติว่าคุณมีโมเดลแบบต่อเนื่อง และคุณต้องการตรึงเลเยอร์ทั้งหมดยกเว้นเลเยอร์สุดท้าย ในกรณีนี้คุณก็จะย้ำกว่า model.layers และตั้ง layer.trainable = False ในแต่ละชั้นยกเว้นคนสุดท้าย แบบนี้:

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(...)

พิมพ์เขียวทั่วไปอีกประการหนึ่งคือการใช้แบบจำลองลำดับเพื่อซ้อนแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้าและเลเยอร์การจัดหมวดหมู่ที่เพิ่งเริ่มต้นใหม่บางส่วน แบบนี้:

# 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(...)

หากคุณโอนย้ายการเรียนรู้ คุณอาจจะพบว่าตัวเองมักใช้รูปแบบทั้งสองนี้

นั่นคือทั้งหมดที่คุณต้องรู้เกี่ยวกับโมเดล Sequential!

หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับแบบจำลองอาคารใน Keras โปรดดูที่: