Keras基础模型框架

Kerars是基于tensorflow框架的：符号主义的计算首先定义各种变量，“计算图”，计算图规定了各个变量之间的计算关系。建立好的计算图需要编译已确定其内部细节，然而，此时的计算图还是一个“空壳子”，里面没有任何实际的数据，只有当你把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值训练是静态框架。

导入基本包

from keras.models import Model, Input#模型需要的
from keras.layers import Dense, Bidirectional, Dropout, LSTM, TimeDistributed, Masking#模型层中需要用到的函数，基础模型
from keras.utils import to_categorical, plot_model
           

模型初始化计算图说明

1. 输入层：bert_output = Input(shape=(200, 312, ), name="bert_output")#输入层200*312，Input是tensor类型

2. lstm=Bidirectional(LSTM(units=128,return_sequences=True), name="bi_lstm")(bert_output)#双向lstm：300*256

3. drop = Dropout(0.1, name="dropout")(lstm)#dropout

4. dense = TimeDistributed(Dense(n_tags, activation="softmax"), name="time_distributed")(drop)#全连接层，激活函数为softmax

5. model = Model(inputs=bert_output, outputs=dense)#将初始参数定义加入到模型中

模型设置

1. model.compile(loss=crf.loss_function, optimizer='adam', metrics=[crf.accuracy])#模型编译参数：损失函数，优化器，评价指标

2. model.summary()#打印模型结构

3. Model.fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0,validation_data=None, shuffle=True, class_weight=None, sample_weight=None,initial_epoch=0,steps_per_epoch=None, validation_steps=None) model.fit(train_x, train_y, validation_data=(dev_x, dev_y), batch_size=16, epochs=10) #输入x,输出标签：y,batch_size：指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。 epochs：训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch validation_data：形式为（X，y）或（X，y，sample_weights）的tuple，是指定的验证集。此参数将覆盖validation_spilt。

4. model.save("%s_ner.h5" % event_type)#保存模型为h5文件