【Day 07】概略了解 Keras API 的摘要 - Part 2. Sequential & Functional Model 與 API 細節解說

2023 iThome 鐵人賽

DAY 1

AI & Data

CNN/DNN Training by using Google TensorFlow系列第 7 篇

【Day 07】概略了解 Keras API 的摘要 - Part 2. Sequential & Functional Model 與 API 細節解說

15th鐵人賽 #keras #tensorflow

csning1998

2023-09-28 17:08:29

1102 瀏覽

分享至

在上一篇文章中，我們對於 Layer、Model、Module 的觀念做了摘要式的說明，同時在釐清其定義，並了解每一個主題的相關內容以及其用處。這次我們就要來了解這些內容，要如何呈現在程式碼中，並針對其做較深入的說明。同時，有關於前面常常提到「訓練」、「評估」等，具體到底是什麼？分別具有什麼內容與功能？都會在這章節呈現。

我們接下來就可以進入程式碼的部分了！我們會先從 Model 出發，而後擴大到說明整個 API 的結構。有關於建立 Model 之前要做哪些工作，可以直接參考【Day 04】的章節。

一、Sequential & Functional Model

神經網路是在機器學習中最重要的腳色，而基本的神經網路，就是由好幾個節點與神經元所組成的 Layer 疊加而成，包含 Input Layer（輸入層）、Hidden Layer（隱藏層）、以及 Output Layer（輸出層）。

Keras 將這些深度學習的 API 建立在 TensorFlow 之上，讓我們可以用兩個很簡單的方式，就可以建立神經網路。建立這些神經網路的方式，最初有以下兩種：

1. Sequential Model

顧名思義就是將 Layers 之間，以線性序列的結構呈現，每一層的輸出都會做為下一層的輸入，結構簡單易懂。

Sequential API 的 Model 區塊，可以用以下程式碼呈現，範例與說明如下：

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=10, activation='softmax'))

(1) 首先透過 Sequential() 方法來建立/定義序列模型
(2) 我們透過 model.add() 方法來加入 Layer。在此範例中我們放入了五個 Layer。有關每一個 Layer 的功能，可以參考上一篇文。最後的 Layer 就是輸出層。
(3) 輸出層之後就可以進入 Compile 編譯的程序了

2. Functional Model

相比於 Sequential API 來說，Functional API 就更加彈性了，因為我們可以透過簡單的方式定義 Model，也就是可以自己定義每一個 Layer 之間連接的關係。

Functional API 的 Model 區塊，可以用以下程式碼呈現。以下我們用分析圖像的 Model 範例做說明：

input_layer = layers.Input(shape=(28, 28, 1))

conv1 = layers.Conv2D(32, (3, 3), activation='relu')(input_layer)
maxpool1 = layers.MaxPooling2D((2, 2))(conv1)
conv2 = layers.Conv2D(64, (3, 3), activation='relu')(maxpool1)
maxpool2 = layers.MaxPooling2D((2, 2))(conv2)

flatten_layer = layers.Flatten()(maxpool2)

dense1 = layers.Dense(128, activation='relu')(flatten_layer)
output_layer = layers.Dense(10, activation='softmax')(dense1)  

model = models.Model(inputs=input_layer, outputs=output_layer)

(1) 首先我們直接定義 Model 的輸入層，做為圖像預處裡使用。
(2) 我們接下來便分別建立 Hidden Layer，包含了 Convolutional 與 Max-Pooling 的組合，再將該組合的輸出，再輸入進 Flatten Layer。
(3) 最後我們透過 Dense Layer 把資料一同彙集，做為輸出層。最後我們用 Model() 方法來定義整個 Model 的輸入層與輸出層。定義完成後，就可以進入 Compile 的階段了。

以上便是 Sequential 與 Functional API 再建立 Model 的主要程序。我們可以自行調整或定義 Layers 之間要如何組合。在完成建立 Model 之後，我們便會開始做編譯。編譯的時候會需要定義 Optimizer、Loss Function、以及 Metrics。我們會在下一個部分做說明

二、編譯程式（Compile）

在我們對深度學習的結果作評估（Evaluate）時，我們需要對 Model 做編譯。編譯代表對模型的學習過程做佈署與調整，我們可以在其中自行定義 Optimizer（最佳化工具）、Loss Function（損失函數）、以及 Metrics（指標）。了解如何定義這些的內容看似很多，但其實我們只需要考量資料類型、模型類型、以及期望的表現，就可以了解如何選擇 Optimizer、Loss Function、以及 Metrics 的演算法。

在上述決定好之後，就可以用 Compile() 方法完成編譯，其程式碼結構會用以下語法呈現，分述如下：

model.compile(optimizer='OPTIMIZER', loss='<LOSS FUNCTION>', metrics=['<METRIC>'])

1. Optimizer（最佳化工具）

是一個透過更新 Model 的權重（weight）以達到損失函數最小值的演算法。以下列出幾個常用的 Optimizer 與其應用範圍

2. Loss Function（損失函數）

損失函數量測 model 在訓練資料中的表現，選擇損失函數時取決於你要分析與建立的 model 類型。常用的損失函數也有很多種類，分述如下：

3. Metric（指標）

Metric 常用來評估模型在訓練與驗證資料的表現，選擇 Metric 時取決於你想要在模型中所得到的結論。常用的 Metric 也有很多種類，分述如下：

三、訓練模型

在資料訓練時，模型會將訓練資料分割成數個小區段後，在 model.fit() 裡面做訓練。其中訓練會進行 epoch（紀元、代）次數，而 Epoch 的次數是一個超參數，每一個 Epoch 都代表 x_train 與 y-train 都傳送入整個訓練的資料集。越多的 Epoch 代表訓練可以有更好的成效，但也可能會有 Overfitting 的風險。

model.fit(x_train, y_train, epochs=10)

我們也可以用驗證資料集（不同於測試集）來監測模型在訓練期間的表現，我們也可以透過這方式調整超參數，以避免 Overfitting 的現象產生。在程式碼中，我們首先設定了 train_test.split 的方式，將其中 20% 的訓練資料提取出來做驗證時使用

from sklearn.model_selection import train_test_split
x_train, x_val, y_train, y_val = train_test_split(x_train, y_train, test_size=0.2, random_state=42)

< #建立模型 >
< #編譯模型 >

在資料完成訓練後，我們就可以利用 history 參數來存取準確度與驗證資料的內容，這些資訊也能有像幫我們看出訓練的過程，以及找出發生 Overfitting 時的區段

history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val))

接下來就可以根據這些結果進入評估階段

四、評估與預測模型

在模型訓練之後，我們就可以用全新的一批測試資料集來評估模型的運作性能，並同時做預測，這也讓我們能看出模型是否存在對總體數據的準確評估或偏差，這同時也包含 Metric、Loss 或其他參考指標。

1. `model.evaluate()` 方法

會取已做模型訓練後的測試資料，來計算 Loss 與 Metric 參數並回傳，分別儲存於前兩個被指定的參數中。

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print('Test accuracy:', test_accuracy)

2. `model.predict()` 方法

可以透過已做模型訓練後的測試資料，於全新的資料上做預測。預測的變數包含模型在每一筆 x_test 輸入時的輸出結果，我們便可以依據這些來決策模型是否能發行、或是仍需要修改。

predictions = model.predict(x_test)
print('Prediction:', prediction)

五、將模型儲存與載入

在模型完成訓練後，我們便可以將此模型存在電腦或其他外部記憶體中，以便日後存取使用。我們可以執行以下指令儲存。其中 <name_of_model> 就是檔案名稱；而 *.h5 就是副檔名。

model.save('<name_of_model>.h5')

在我們要載入模型時，只需要透過以下指令即可：

my_model = tf.keras.models.load_model('my_model.h5')

我們就可以在資料完成處理後，直接透過以上指令取代建立模型到訓練模型的部分，接下來僅需要進行新資料的評估與預測即可。

六、還可以做甚麼？

我們在編譯完成後，我們仍需要對模型做更深度的調整，才能持續滿足不同情境下的使用需求。我們可以透過以下三個方式來做調整，使模型在未來解決問題上更加實用。我們在日後的章節會再對此做更詳細的說明。

1. 微調模型（Fine-tune）

這表示在分析新的資料集、或是在不同的任務中要進一步針對「預訓練」模型做訓練的過程，一般都是調整其權重、超參數、以及增減 Layers 以適應於新的任務。我們也把這稱為遷移學習，利用上一個資料集所訓練的模型來解決類似的任務。

2. 整合模型（Ensembling the model）

這是一個將多個機器學習模型的「預測區塊」做整個，以提升整體效能的技術。想像不同的模型都可能會捕捉不同的錯誤，所以將這些模型各司其職組合起來，可以讓模型預測上更加準確。

3. 部屬模型（Deploying the model）

這代表我們調整出來的模型，已經有足夠高的準確率可以發行做使用時，我們便可以將這些模型整合到不同的應用程式、系統與服務當中，再依據這些用戶產生的新資料，反覆執行預測與決策的過程。

七、後記

原本以為整理這些內容可以很快結案，結果在整理資料的過程中就花掉不少時間，但卻能釐清每一個環節要執行什麼程式、還有各種應用的方式。在下一篇文章，我們會討論另一個比起 Sequential 與 Functional Model 還更加活用的方式，稱為 Model Subclassing。這在自定義模型結構與模型訓練上提供了很大的靈活性，我們也可以藉此建構邏輯較為複查的模型。