《Python深度学习实战：基于TensorFlow和Keras的聊天机器人》 —2.1.3　定义模型

2.1.3　定义模型

在Keras中序列模型被定义成层的序列。你可以创建一个序列模型再添加层。你需要确保输入层有正确的输入数。假设你有3072个输入变量，然后你要创建的第一个隐层具有512个节点/神经元。在第二个隐层，你有120个节点/神经元。最后，在输出层有10个节点。举例来说，一张图片映射到10个节点上，这10个节点分别对应该图为标签1（飞机）、标签2（汽车）、标签3（猫）......标签10（货车）的概率。具有最大概率的节点就是所预测的类或标签。

一张图片包含三个通道（RGB），在每个通道中，图片都有32×32 = 1024个像素。因此，每张图片都有3×1024 = 3072个像素（特征/X/输入）。

利用这3072个特征，你需要预测它是标签1（数字0）、标签2（数字1）等的概率。这意味着模型预测10个输出（数字0～9），其中每个输出代表对应标签的概率。最后一个激活函数（之前介绍过的Sigmoid函数）在输出时给出9个0值和一个为1的输出。这个输出为1的节点的标签就是对于该图片的预测分类（图2-1）。

图2-1　定义模型

其网络结构好比如此：3072个特征→512个节点→120个节点→10个节点。

下一个问题就是，你怎么知道要用多少层和用什么类型呢？没有人知道准确的答案。对于评估度量最好的就是你自己决定最适合的层数、参数以及每一层的步骤。也可以用一些试探性的方法。最好的网络结构是通过一系列的试错过程来找到的。一般来讲，你需要一个足够大能够捕捉到你所研究问题的所有结构特征的网络。

在这个例子里面，你将使用一个具有三层的全连接网络结构。用一个名为Dense的类来定义全连接层。

这样，你初始化的网络权重值为从一个均匀分布生成的很小的随机数，这里是处于0～0.05之间的数，因为这是Keras中默认的均匀权重初始化值。另一个习惯使用的是从高斯分布抽样得到的随机数。你可以用0.5的默认阈值设定来进行硬分类。并可以通过逐层添加来将它们都拼接起来。