Sequential() 模型：搭建神经网络

Sequential() 模型的作用：可翻译为顺序模型，即通过一层层神经网络连接，构建出深度神经网络。Sequential() 模型的搭建：通过 add() 叠加一些网络层 layers# 单层 LSTMmodel = Sequential()model.add(LSTM(units=50, activation='relu',input_shape=(X_train.shape[1], 1)))

方如一

6159人浏览 · 2022-03-01 17:46:52

方如一 · 2022-03-01 17:46:52 发布

1 作用

顺序模型，即通过一层层神经网络连接构建深度神经网络。

model=Sequential()

2 搭建神经网络

通过model.add() 叠加一些网络层如LSTM和Dense

# 单层 LSTM
model = Sequential()
model.add(LSTM(units=50, activation='relu',input_shape=(X_train.shape[1], 1)))
model.add(Dense(units=1)))

3. model.summary()：查看最终的模型结构

model.summary()  # 输出模型结构

引用了循环层 Recurrent - Keras 中文文档

技术共进，成长同行——讯飞AI开发者社区

更多推荐

AI预测设备故障，智能制造新突破

智能制造设备产生的海量数据为人工智能提供了丰富的信息来源。集成学习方法通过组合多个基模型的预测结果，显著提升故障分类的准确率。图神经网络（GNN）能够建模设备组件间的拓扑关系，将轴承、齿轮和电机的监测数据转化为统一的特征表示。迁移学习框架允许模型将在某类设备上学习的知识迁移到新型号设备，显著减少对新故障样本的需求。联邦学习方案确保不同工厂的数据在本地进行模型训练，仅共享加密的梯度更新，满足数据隐私