приведенная ниже модель взята с Keras веб-сайта и работает точно так, как ожидается.Это определяется с keras.models.Sequential().Я хочу преобразовать его в keras.models.Model(), чтобы сделать его более гибким для будущего использования.Но после моего преобразования производительность резко упала.
Исходная модель, которую вы можете найти на сайте Keras:
def build_model():
model = Sequential([
layers.Dense(64, activation=tf.nn.relu, input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation=tf.nn.relu),
layers.Dense(1)
])
optimizer = keras.optimizers.Adam()
model.compile(loss='mean_squared_error',
optimizer=optimizer,
metrics=['mean_absolute_error', 'mean_squared_error'])
return model
model = build_model()
model.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_22 (Dense) (None, 64) 640
_________________________________________________________________
dense_23 (Dense) (None, 64) 4160
_________________________________________________________________
dense_24 (Dense) (None, 1) 65
=================================================================
Total params: 4,865
Trainable params: 4,865
Non-trainable params: 0
_________________________________________________________________
Следующий код - мое преобразование:
def build_model_base():
input = Input(shape=[len(train_dataset.keys())])
x = Dense(64, activation='relu', name="dense1")(input)
x = Dense(64, activation='relu', name="dense2")(x)
output = Dense(1, activation='sigmoid', name='output')(x)
model = Model(input=[input], output=[output])
optimizer = keras.optimizers.Adam()
model.compile(loss='mean_squared_error',
optimizer=optimizer,
metrics=['mean_absolute_error', 'mean_squared_error'])
return model
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_18 (InputLayer) (None, 9) 0
_________________________________________________________________
dense1 (Dense) (None, 64) 640
_________________________________________________________________
dense2 (Dense) (None, 64) 4160
_________________________________________________________________
output (Dense) (None, 1) 65
=================================================================
Total params: 4,865
Trainable params: 4,865
Non-trainable params: 0
Единственное отличие, которое я вижу, это.Sequential не считается input layer, в то время как .Model считает, но я не верю, что они делают структуру модели другой.Однако производительность .Sequential составляет:
В то время как производительность .Model() I, преобразованного:
Может кто-нибудь сказать мне, что я сделал не так?
Какой-то другой контекст:
Я прочитал эту запись , но мой код все запущен на процессоре в Google Colab
print(keras.__version__) # 2.0.4
print(tf.__version__) #1.14.0-rc1
Код для построения графиков потерь:
def plot_history(history):
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
plt.figure()
plt.xlabel('Epoch')
plt.ylabel('Mean Abs Error [MPG]')
plt.plot(hist['epoch'], hist['mean_absolute_error'],
label='Train Error')
plt.plot(hist['epoch'], hist['val_mean_absolute_error'],
label = 'Val Error')
y_max = max(hist['val_mean_absolute_error'])
plt.ylim([0,y_max])
plt.legend()
plt.figure()
plt.xlabel('Epoch')
plt.ylabel('Mean Square Error [$MPG^2$]')
plt.plot(hist['epoch'], hist['mean_squared_error'],
label='Train Error')
plt.plot(hist['epoch'], hist['val_mean_squared_error'],
label = 'Val Error')
y_max = max(hist['val_mean_squared_error'])
plt.ylim([0,y_max])
plt.legend()
plt.show()
Код для обучения модели (он одинаков для обеих моделей):
his_seq = model.fit(normed_train_data.values, train_labels.values,
batch_size=128,
validation_split = 0.1,
epochs = 100,
verbose=0)
plot_history(his_seq)
Любое предложение приветствуется!