python - 将 Convnet.js 神经网络模型转换为 Keras Tensorflow

Question

我有一个在 convnet.js 中创建的神经网络模型，我必须使用 Keras 来定义它。有谁知道我该怎么做？

neural = {
          net : new convnetjs.Net(),
          layer_defs : [
            {type:'input', out_sx:4, out_sy:4, out_depth:1},
            {type:'fc', num_neurons:25, activation:"regression"},
            {type:'regression', num_neurons:5}
          ],
          neuralDepth: 1
      }

这是我到目前为止能做的。我不确定它是否正确。

   #---Build Model-----
    model = models.Sequential()
    # Input - Layer 
    model.add(layers.Dense(4, activation = "relu", input_shape=(4,)))  
    # Hidden - Layers 
    model.add(layers.Dense(25, activation = "relu")) 
    model.add(layers.Dense(5, activation = "relu"))
    # Output- Layer
    model.add(layers.Dense(1, activation = "linear")) 
    model.summary()
    # Compile Model
    model.compile(loss= "mean_squared_error" , optimizer="adam", metrics=["mean_squared_error"])

Answer 1

来自 Convnet.js 文档:“最后一层必须是损失层(用于分类的‘softmax’或‘svm’，或用于回归的‘回归’)。”另外:“创建一个回归层，它采用目标列表(任意数字，不一定是像 softmax/svm 中那样的单个离散类标签)并反向传播 L2 损失。”

目前还不清楚。我怀疑“回归”层只是密集(完全连接)神经元的另一层。 “回归”一词可能指的是线性事件。那么，这次没有“relu”？

无论如何，它可能看起来像这样(无顺序模式):

from keras.layers import Dense
from keras.models import Model
my_input = Input(shape = (4, ))
x = Dense(25, activation='relu')(x)
x = Dense(4)(x)
my_model = Model(input=my_input, output=x, loss='mse', metrics='mse')
my_model.compile(optimizer=Adam(LEARNING_RATE), loss='binary_crossentropy', metrics=['mse'])

阅读了一些文档后， convnet.js 似乎是一个不错的项目。如果有人具有神经网络知识，那就更好了。