一、主页

上手Keras

◆ Keras 的核心数据结构是model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

◆Sequential 模型如下所示：

from keras.medels import Sequentialmodel = Sequential()

◆ 可以使用.add()来堆叠模型：

from keras.layers import Densemodel.add(Dense(units=64,activation='relu',input_dim=100))model.add(Dense(units=10,activation='softmax'))

◆ 完成模型构建后，使用.compile()来配置学习过程：

# 选择交叉熵损失函数作为损失函数，随机梯度下降作为优化方法，准确率作为评价指标pile(loss='categorical_crossentropy',optimizer='sgd',metrics='accuracy')

◆ 现在可以批量地在训练数据上进行迭代了：

# X_train和Y_train是Numpy数组model.fit(X_train,Y_train,epochs=5,batch_size=32)

◆ 或者可以手动将批次数据提供给模型：

model.train_on_batch(X_batch,Y_batch)

◆ 然后可以对模型性能进行评估：

loss_and_metrics = model.evaluate(X_test,Y_test,batch_size=128)

◆ 或者对新的数据进行预测：

classes = model.predict(X_test,batch_size=128)

二、快速开始

1、Sequential顺序模型

from keras.models import Sequentialfrom keras.layers import Dense,Activationmodel = Sequential()model.add(Dense(32,input_dim=784))model.add(Activation('relu'))

（1）指定输入数据的尺寸

模型第一层（只有第一层需要）需要接收关于其输入尺寸的信息：

◆传递 input_shape 参数给第一层，它表示张量的形状，例如一个一阶张量[1,2,3]的shape为(3,)，二阶张量[[1,2,3],[4,5,6]]的shape为(2,3)。

◆ 例如 Dense 的2D层，可以通过参数 input_dim 指定输入尺寸，而3D层使用 input_dim 和 input_length 参数。

input_length 表示输入数据的长度，input_dim 表示数据的维度

input_dim = input_shape(input_dim,)

input_dim,input_length = input_shape(input_length,input_dim)

◆ 如果需要为输入指定一个固定的 batch 大小，可以传递一个 batch_size 参数。例如，同时将 batch_size=32 和 input_shape=(6,8) 传递给一层，则每一批输入的尺寸为(32,6,8)。

# 由上述可得model.add(Dense(32,input_shape(784,)))# 等价于model.add(Dense(32,input_dim=784))

（2）模型编译

模型训练之前，需要配置学习过程，通过 .compile() 方法完成，接收三个参数：

◆ 优化器 optimizer。可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是Optimizer 类的实例。

◆ 损失函数 loss。可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。

◆ 评估标准 metrics。对于分类问题，metrics = [‘accuracy’]

（3）模型训练

通常会使用 .fit() 函数

未完待续。。。

如果觉得《Keras中文文档总结》对你有帮助，请点赞、收藏，并留下你的观点哦！