在 Keras 中添加隐藏层的格式。

Question

我写了一个神经网络代码，我想给它添加隐藏层。我可以访问这一小部分代码：

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)

有没有办法在有这么多可用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。

Answer 1

上述代码是核心 ML 部分的完整实现。

您在这里创建了模型，
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)

在输入和输出层之间添加的任何层都称为隐藏层，您可以轻松添加，最终代码如下所示，

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)

Answer 2

您可以尝试使用以下格式结构添加隐藏层。但是，该示例不适用于您的问题：

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)