Sequential 序贯模型：

### 使用指南：Keras Sequential 模型 Keras 的 `Sequential` 模型是一种线性堆叠模型，适用于大多数常见的神经网络架构。以下是如何创建、编译和训练 `Sequential` 模型的详细指南。 #### 创建 Sequential 模型 `Sequential` 模型可以通过两种方式创建： 1. **逐层添加** 使用 `model.add()` 方法逐层构建模型。这种方式适合逐步构建模型的情况。 ```python from keras.models import Sequential from keras.layers import Dense model = Sequential() model.add(Dense(32, input_dim=784)) model.add(Dense(10)) ``` 2. **通过列表构造模型** 直接传入一个包含所有层的列表，这种方式代码更加紧凑。 ```python model = Sequential([ Dense(32, input_dim=784), Dense(10) ]) ``` 这两种方式在功能上是等价的，可以根据个人偏好选择使用[^2]。 #### 激活函数的添加 在 `Sequential` 模型中，激活函数可以作为单独的层添加，也可以直接在 `Dense` 层中指定。 ```python model.add(Dense(32, activation='relu', input_dim=784)) ``` 或者分开添加： ```python model.add(Dense(32, input_dim=784)) model.add(Activation('relu')) ``` 这两种方式在行为上是完全一致的。 #### 编译模型 在模型构建完成后，需要通过 `compile()` 方法配置学习过程。该方法接受优化器、损失函数和评估指标等参数。 ```python model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) ``` - `optimizer`：指定优化器，如 `'rmsprop'`、`'adam'` 等。 - `loss`：指定损失函数，如 `'categorical_crossentropy'` 用于多分类任务。 - `metrics`：用于评估模型性能的指标，如 `'accuracy'`[^3]。 #### 训练模型 使用 `fit()` 方法进行模型训练，通常需要提供输入数据 `x`、目标数据 `y`、训练轮数 `epochs` 和批量大小 `batch_size`。 ```python model.fit(x_train, y_train, epochs=5, batch_size=32) ``` - `epochs`：指定训练的轮数。 - `batch_size`：每次梯度更新所使用的样本数量。 #### 弹出最后一层 如果需要调整模型结构，可以使用 `pop()` 方法移除最后一层。 ```python model.pop() ``` 这在调试或修改模型结构时非常有用[^3]。 #### 示例：完整的 Sequential 模型构建流程 ```python from keras.models import Sequential from keras.layers import Dense, Activation # 创建模型 model = Sequential([ Dense(32, input_dim=784), Activation('relu'), Dense(10), Activation('softmax') ]) # 编译模型 model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(x_train, y_train, epochs=5, batch_size=32) ``` 该示例展示了从模型构建到训练的完整流程，适用于标准的多分类任务[^2]。 ---

`predict_proba`是用于分类问题的方法，用于预测每个类别的概率。在Keras中，`Sequential`对象的`predict_proba`方法已经被弃用，可以使用`predict`方法来代替。`predict`方法返回每个类别的概率分布，并且可以使用`np.argmax`来获取最可能的类别。 如果你想在Keras中使用`predict_proba`方法，可以使用`functional API`构建模型。例如，以下是一个使用`functional API`构建的简单的神经网络模型，可以输出`predict_proba`： ```python import tensorflow as tf from tensorflow.keras.layers import Input, Dense from tensorflow.keras.models import Model # 定义输入层 inputs = Input(shape=(10,)) # 定义中间层 x = Dense(32, activation='relu')(inputs) # 定义输出层 outputs = Dense(2, activation='softmax')(x) # 定义模型 model = Model(inputs=inputs, outputs=outputs) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 使用predict_proba方法预测 probas = model.predict_proba(x_test) ``` 在上面的例子中，我们使用`functional API`构建了一个简单的神经网络模型，其中包含一个输入层、一个中间层和一个输出层。输出层使用`softmax`激活函数，可以输出每个类别的概率分布。我们使用`Model`类来定义模型，而不是`Sequential`类。在编译模型后，我们可以使用`predict_proba`方法来预测输入数据的类别概率分布。