机器学习与深度学习 / 系统课时
使用 Sequential 构建模型
使用 Sequential 构建模型
Sequential 适合输入沿一条直线逐层传递的网络。本课用一个 8 维输入、两层隐藏层和 1 维输出的 MLP,完成模型定义、形状检查与参数量验证,并明确什么时候不该继续使用顺序模型。
学习目标
- 用
keras.Sequential和keras.Input定义单输入、单输出网络。 - 根据相邻层的输入输出维度检查连接是否成立。
- 用输出形状与参数量判断模型是否按预期构建。
判断是否适合 Sequential
先看拓扑,而不是先看层数。只要数据始终是“上一层单个输出进入下一层单个输入”,就适合 Sequential;一旦出现多个输入、多个输出、跳跃连接或共享层,就应改用函数式 API。
| 需求 | Sequential 是否合适 | 具体判断 |
|---|---|---|
| 8 维特征 → Dense → Dense → 1 维预测 | 合适 | 始终只有一条数据路径 |
| 图像 → Conv2D → Pooling → Dense | 合适 | 仍是单链路 |
| 两组输入在中间合并 | 不合适 | 同时存在两个输入张量 |
残差连接 x + shortcut |
不合适 | 拓扑不再是线性堆叠 |
实践中可以先把数据流写成一行;如果无法写成单条从左到右的层序列,就不要强行塞进 Sequential。
从输入到输出搭起网络
示例采用 from tensorflow import keras,同一份代码里不要再混入另一套独立导入方式。显式写 keras.Input(shape=(8,)) 后,模型在创建时就知道样本特征维度,后续可直接检查输入输出形状。
import tensorflow as tf
from tensorflow import keras
model = keras.Sequential(
[
keras.Input(shape=(8,), name="features"),
keras.layers.Dense(16, activation="relu", name="hidden_1"),
keras.layers.Dense(8, activation="relu", name="hidden_2"),
keras.layers.Dense(1, name="score"),
],
name="score_mlp",
)
# 用 4 个样本做一次前向计算,只验证结构,不做训练。
x = tf.ones((4, 8), dtype=tf.float32)
y = model(x)
print("input shape:", model.input_shape)
print("output shape:", y.shape)
print("params:", model.count_params())预期输出
input shape: (None, 8)
output shape: (4, 1)
params: 289这里的 None 是批次维,表示模型可接收不同批大小;单个样本仍必须提供 8 个特征。最后一层没有激活函数,因此输出是任意实数,适合回归或作为后续 logits 使用。
用参数量反查结构
参数量是检查 Dense 连接最直接的数字。Dense 层参数数目为“输入维度 × 单元数 + 偏置数”,因此三层分别是 8×16+16=144、16×8+8=136、8×1+1=9,总计 289。
如果 model.count_params() 不是 289,先逐层检查 units 与输入维度,而不是立刻怀疑 TensorFlow。常见错误是把样本写成 (8, 1),这会把二维结构误当成每个样本的形状;本例单个样本应是 (8,),批量输入才是 (batch, 8)。
什么时候改用函数式 API
Sequential 的边界可以用三个问题快速检查:是否有第二个输入、是否有第二个输出、是否需要把早期张量绕过中间层再参与计算。任意一个答案为“是”,都应切换到函数式 API。
例如输入形状 (None, 8) 经过 Dense 得到 (None, 16) 后,如果要把原始输入另做一次投影并与主分支相加,就已经出现两条同时存在的路径。继续用顺序模型会失去对连接关系的直接表达,而函数式 API 可以显式保存每个中间张量并指定它们如何合并。