Budowanie modeli sekwencyjnych
Łącz warstwy Dense, stosuj funkcje aktywacji oraz kompiluj model z funkcją straty i optymalizatorem.
Budowanie modeli sekwencyjnych to bezpłatna lekcja R Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej R Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs R Academy zawiera 4 lekcji w sumie.
Model sekwencyjny
Model sekwencyjny to liniowy stos warstw, w którym każda warstwa ma dokładnie jeden tensor wejściowy i jeden tensor wyjściowy. Jest to najprostszy typ modelu Keras i obejmuje większość praktycznych zastosowań: klasyfikatory jednokierunkowe, modele regresyjne oraz podstawowe sieci CNN/RNN.
library(keras)
# An empty sequential model
model <- keras_model_sequential()
print(model)
# Or specify the input shape upfront
model <- keras_model_sequential(input_shape = c(20))
print(model)layer_dense() — warstwa w pełni połączona
layer_dense(units, activation) dodaje w pełni połączoną warstwę gęstą, w której każdy neuron wejściowy łączy się z każdym neuronem wyjściowym. Argument units określa wymiarowość wyjścia. Argument activation stosuje nieliniowość: 'relu' jest standardowym wyborem dla warstw ukrytych.
library(keras)
model <- keras_model_sequential(input_shape = c(30)) |>
layer_dense(units = 128, activation = 'relu') |>
layer_dense(units = 64, activation = 'relu') |>
layer_dense(units = 1, activation = 'sigmoid')
# Print architecture
summary(model)Funkcje aktywacji warstwy wyjściowej
Funkcja aktywacji warstwy końcowej zależy od zadania:
'sigmoid': klasyfikacja binarna (zwraca prawdopodobieństwo z zakresu 0–1)'softmax': klasyfikacja wieloklasowa (zwraca prawdopodobieństwa sumujące się do 1)'linear'lub brak funkcji aktywacji: regresja (zwraca predykcje o wartościach rzeczywistych)
# Binary classification
binary_model <- keras_model_sequential(input_shape = c(20)) |>
layer_dense(64, activation = 'relu') |>
layer_dense(1, activation = 'sigmoid') # P(class=1)
# Multi-class (10 classes)
multi_model <- keras_model_sequential(input_shape = c(20)) |>
layer_dense(64, activation = 'relu') |>
layer_dense(10, activation = 'softmax') # P per class
# Regression
reg_model <- keras_model_sequential(input_shape = c(20)) |>
layer_dense(64, activation = 'relu') |>
layer_dense(1, activation = 'linear') # raw valuecompile() — funkcja straty, optymalizator i metryki
compile(loss, optimizer, metrics) konfiguruje proces uczenia. Typowe połączenia:
- Binarne:
loss = 'binary_crossentropy',metrics = 'accuracy' - Wieloklasowe:
loss = 'categorical_crossentropy' - Regresja:
loss = 'mse',metrics = 'mae'
model |> compile(
loss = 'binary_crossentropy',
optimizer = optimizer_adam(learning_rate = 0.001),
metrics = c('accuracy')
)
# Check configuration
model$loss
model$optimizer$get_config()optimizer_adam()
Adam (Adaptive Moment Estimation) to domyślny optymalizator dla większości zadań uczenia głębokiego. Dostosowuje tempo uczenia dla każdego parametru, wykorzystując oszacowania pierwszego i drugiego momentu gradientów. Domyślne tempo uczenia 0.001 jest dobrym punktem wyjścia dla większości problemów.
# Adam with default settings
model |> compile(
optimizer = 'adam',
loss = 'binary_crossentropy',
metrics = 'accuracy'
)
# Customised Adam
model |> compile(
optimizer = optimizer_adam(
learning_rate = 0.0005,
beta_1 = 0.9,
beta_2 = 0.999,
epsilon = 1e-7
),
loss = 'binary_crossentropy',
metrics = 'accuracy'
)fit() — trenowanie modelu
fit(model, x, y, epochs, batch_size, validation_split) trenuje model. Każda epoka to jedno pełne przejście przez dane treningowe. Rozmiar partii określa, ile próbek jest przetwarzanych przed każdą aktualizacją wag. Funkcja zwraca obiekt historii.
# Prepare example data
x_train <- matrix(rnorm(1000 * 20), nrow = 1000)
y_train <- sample(c(0, 1), 1000, replace = TRUE)
history <- model |> fit(
x = x_train,
y = y_train,
epochs = 20,
batch_size = 32,
validation_split = 0.2, # reserve 20% for validation
verbose = 1
)
plot(history)Regularyzacja warstwy — dropout
layer_dropout(rate) losowo ustawia część jednostek wejściowych o wartości rate na 0 podczas trenowania. Zapobiega to zbyt ścisłemu dostosowywaniu się neuronów do siebie i działa jako silny regulator. Dropout jest aktywny tylko podczas trenowania, a nie podczas wnioskowania.
model <- keras_model_sequential(input_shape = c(784)) |>
layer_dense(512, activation = 'relu') |>
layer_dropout(rate = 0.4) |>
layer_dense(256, activation = 'relu') |>
layer_dropout(rate = 0.3) |>
layer_dense(10, activation = 'softmax')
summary(model)Regularyzacja wag L1 i L2
Poszczególne warstwy można regularyzować za pomocą kernel_regularizer, aby nakładać karę na duże wagi. L2 (ridge) nakłada karę na sumę kwadratów wag, natomiast L1 (lasso) nakłada karę na wartości bezwzględne i prowadzi do uzyskania rzadkości. Obie metody są dostępne za pośrednictwem regularizer_l2() i regularizer_l1().
model <- keras_model_sequential(input_shape = c(100)) |>
layer_dense(
units = 64,
activation = 'relu',
kernel_regularizer = regularizer_l2(l = 0.01)
) |>
layer_dense(
units = 32,
activation = 'relu',
kernel_regularizer = regularizer_l1_l2(l1 = 1e-4, l2 = 1e-3)
) |>
layer_dense(1, activation = 'sigmoid')
summary(model)Normalizacja wsadowa
layer_batch_normalization() normalizuje aktywacje poprzedniej warstwy dla każdej małej partii danych. Stabilizuje to trenowanie, umożliwia używanie większych wartości tempa uczenia i działa jako łagodny regulator. Należy umieścić tę warstwę po layer_dense() i przed funkcją aktywacji albo po aktywacji — oba rozwiązania są stosowane w praktyce.
model <- keras_model_sequential(input_shape = c(100)) |>
layer_dense(256, use_bias = FALSE) |>
layer_batch_normalization() |>
layer_activation('relu') |>
layer_dense(128, use_bias = FALSE) |>
layer_batch_normalization() |>
layer_activation('relu') |>
layer_dense(1, activation = 'sigmoid')
summary(model)evaluate() i predict()
evaluate(model, x_test, y_test) oblicza funkcję straty i metryki dla danych testowych. predict(model, x_new) generuje surowe predykcje — prawdopodobieństwa w przypadku klasyfikacji. Obie funkcje przyjmują macierze numeryczne i zwracają wartości zgodne z typami natywnymi R.
x_test <- matrix(rnorm(200 * 20), nrow = 200)
y_test <- sample(c(0, 1), 200, replace = TRUE)
# Evaluate on test set
test_metrics <- model |> evaluate(x_test, y_test, verbose = 0)
cat('Test Loss:', test_metrics['loss'])
cat('Test Accuracy:', test_metrics['accuracy'])
# Generate predictions
prob_preds <- model |> predict(x_test)
class_preds <- ifelse(prob_preds > 0.5, 1, 0)
table(class_preds, y_test)Zapisywanie i wczytywanie modeli
Skompilowany i wytrenowany model można zapisać za pomocą save_model_tf(model, 'path') (format TF SavedModel, zalecany) lub save_model_hdf5(model, 'model.h5'). Model można ponownie wczytać za pomocą load_model_tf() lub load_model_hdf5(). Wczytany model zachowuje ustawienia kompilacji i może od razu wykonywać predykcje lub kontynuować trening.
# Save in TensorFlow SavedModel format (recommended)
save_model_tf(model, '/tmp/my_dense_model')
# Reload
loaded <- load_model_tf('/tmp/my_dense_model')
# Confirm predictions match
new_preds <- loaded |> predict(x_test)
all.equal(prob_preds, new_preds) # TRUESzybkie sprawdzenie
Tworzą Państwo model sekwencyjny dla problemu klasyfikacji do 5 klas. Jaką funkcję aktywacji i jaką liczbę jednostek powinna mieć warstwa wyjściowa?
Podsumowanie modeli sekwencyjnych
Najważniejsze informacje dotyczące tworzenia modeli sekwencyjnych:
keras_model_sequential()tworzy liniowy stos warstw.layer_dense(units, activation)to podstawowa warstwa w pełni połączona.- Aktywacja wyjściowa:
'sigmoid'(klasyfikacja binarna),'softmax'(klasyfikacja wieloklasowa),'linear'(regresja). compile(loss, optimizer, metrics)konfiguruje proces uczenia.fit(model, x, y, epochs, batch_size, validation_split)trenuje model.- Regularyzacja:
layer_dropout(rate),regularizer_l2(),layer_batch_normalization(). - Model należy zapisać za pomocą
save_model_tf(), a wczytać za pomocąload_model_tf().
library(keras)
model <- keras_model_sequential(input_shape = c(30)) |>
layer_dense(128, activation = 'relu') |>
layer_dropout(0.4) |>
layer_dense(64, activation = 'relu') |>
layer_dropout(0.3) |>
layer_dense(1, activation = 'sigmoid')
model |> compile(
optimizer = optimizer_adam(0.001),
loss = 'binary_crossentropy',
metrics = 'accuracy'
)
history <- model |> fit(
x_train, y_train,
epochs = 30, batch_size = 64,
validation_split = 0.2, verbose = 0
)
plot(history)Często zadawane pytania
Czy lekcja „Budowanie modeli sekwencyjnych” jest bezpłatna?
Tak — pełny tekst „Budowanie modeli sekwencyjnych” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu R Academy, przejdź na CoddyKit PRO. Kurs R Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Budowanie modeli sekwencyjnych”?
Łącz warstwy Dense, stosuj funkcje aktywacji oraz kompiluj model z funkcją straty i optymalizatorem. Ćwiczysz R Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć R Academy?
Nie wymagamy żadnego doświadczenia. R Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Budowanie modeli sekwencyjnych”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji R Academy?
Tak. Każda lekcja R Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Konfiguracja Keras i TensorFlow w R
- Budowanie modeli sekwencyjnych
- Podstawy konwolucyjnych sieci neuronowych
- Trenowanie, walidacja i zapobieganie przeuczeniu