Keras中添加隐藏层的格式。

Question

我编写了一个神经网络代码，现在想要添加隐藏层。我可以访问到这段小代码：

trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

trainX = numpy.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = numpy.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)

trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

有没有办法在这么多信息的情况下添加隐藏层？此外，此代码在Python3中运行良好。这将是一个很大的帮助。谢谢。

- Himanshu Suthar

---

我认为这个链接应该会有帮助。创建自己的神经网络。 - gonzalloe

Answer 1

提到的代码是核心ML部分的全部实现。

在这里，您创建了模型， model = Sequential() 这是输入层， model.add(LSTM(4, input_shape=(1, look_back))) 这是输出层 model.add(Dense(1)) 模型编译 model.compile(loss='mean_squared_error', optimizer='adam') 模型训练 model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) 在输入层和输出层之间添加的任何层都称为隐藏层，您可以轻松地添加并且您的最终代码将如下所示。

trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

trainX = numpy.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = numpy.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(4)) # New hidden layer with 4 params
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)

trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

- Gaurav Gandhi

Answer 2

您可以尝试使用以下格式结构添加隐藏层。但是，此示例并不适用于您的问题：

from tensorflow.keras.layers import Dense
from tensorflow.keras import Model, Input

input_layer = Input(shape=(3,), name='input') # 3 dimensional input
hidden_layer1 = Dense(units=20, activation="sigmoid", name="hidden_layer1")(input_layer)
hidden_layer2 = Dense(units=20, activation="sigmoid", name="hidden_layer2")(hidden_layer1)
output_layer = Dense(units=1, activation="sigmoid", name="output_layer")(hidden_layer2)
  
# Create the model
model = Model(input_layer, output_layer)

- questionto42