在本章中，你會熟悉 Keras Functional API 的基礎。你將用 Functional 組件建立一個簡單的功能式網路，將模型擬合到資料，並進行預測。

Keras 輸入層與 Dense 層

輸入層

Dense 層

輸出層

建立並編譯模型

建立模型

編譯模型

視覺化模型

訓練並評估模型

將模型擬合到錦標賽籃球資料

在測試集上評估模型

Keras Functional API

在本章中，你將建立雙輸入網路，利用類別嵌入表示高基數資料，以共享層定義可重複使用的組件，並用合併層將多個輸入匯聚為單一輸出。完成本章後，你將具備設計具複雜資料流的神經網路所需的基礎積木。

類別嵌入向量（category embeddings）

定義球隊查詢

定義球隊模型

共用層

定義兩個輸入

在同一個模型中查詢兩個輸入

合併層（Merge layers）

使用共用層的輸出層

使用兩個輸入與單一輸出的模型

從你的模型進行預測

將模型擬合到例行賽訓練資料

在錦標賽測試資料上評估模型

使用類別嵌入、共享層與合併層的雙輸入網路

在本章中，你會將 2 輸入模型擴展為 3 輸入，並學習使用 Keras 的摘要與繪圖函式來理解神經網路的參數與拓樸。章末你將了解如何把 2 輸入模型擴展到 3 輸入與更高。

三輸入模型

為主客場建立輸入層

建立模型並進行編譯

摘要與繪製模型

模型摘要

繪製模型

堆疊模型

將模型預測加入錦標賽資料

建立具多欄位的輸入層

訓練模型

評估模型

多重輸入：3 個輸入（與更進一步！）

在本章中，你將建立具有多重輸出的神經網路，可用於解決具有多個目標的迴歸問題。你也會建立一個同時解決迴歸與分類問題的模型。

雙輸出模型

簡單的雙輸出模型

訓練一個具有兩個輸出的模型

檢視模型（I）

同一個模型同時做分類與迴歸

單一模型同時做分類與回歸

編譯並訓練模型

檢視模型（II）

使用兩個評估指標在新資料上評估

結語

多重輸出

Basketball models

Basketball data

本課程示範如何運用多功能的 Keras Functional API 解決各式問題。你會先從簡單的多層全連接網路（亦稱多層感知器）開始，接著延伸到更複雜的架構。課程將介紹如何建立具有多個輸入與單一輸出的模型，以及如何在模型中於不同層之間共享權重。我們也會涵蓋進階主題，如類別嵌入與多輸出網路。若你想訓練一個同時處理分類與迴歸的網路，這門課正適合你！

<h2>Keras 函式型 API</h2>
在本課程中，您將學習如何運用 Keras functional API 解決複雜問題。 <br><br> 從介紹開始，您將建立簡單的功能性網路，將其擬合至資料，並進行預測。 您還將學習如何建立具有多個輸入和單一輸出的模型，並在不同層之間共享權重​.<br><br>
<h2>多輸入網路</h2>隨著學習進展，您將深入探索如何利用類別嵌入、共享層與合併層來建立雙輸入網路。 這些是設計具有複雜資料流的神經網路時的基礎構建要素。 <br><br> 它將這些概念擴展到具有三個或以上輸入的模型，並透過 Keras 的 summary 和 plot 函數，協助您了解神經網路的參數與拓撲結構。​.<br><br><h2>多輸出網路</h2>在最後的互動練習中，您將學習多輸出網路，這類網路能夠解決具有多個目標的回歸問題，甚至可以同時處理回歸與分類任務。 <br><br> 在本課程結束時，您將具備運用進階深度學習技術的實務經驗，能以多種指標在新資料上評估您的模型，進一步推動您的資料科學家職涯發展。. <br><br>

同一個模型同時做分類與迴歸

Create Your Free Account