Keras基本认识

最新推荐文章于 2023-05-19 07:57:45 发布

呆坐的熊

最新推荐文章于 2023-05-19 07:57:45 发布

阅读量444

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签： Keras 深度学习框架

本文链接：https://blog.youkuaiyun.com/Lin_RD/article/details/97668528

深度学习专栏收录该内容

4 篇文章

订阅专栏

Keras是一个运行于tensorflow、theano等框架之上的神经网络高级API，简化了深度学习操作，支持CPU和GPU运算，包括多卡并行训练。在tensorflow 2.0中，Keras已成为核心部分，尽管tf.keras与Keras高度兼容，但可能拥有更多特性。使用Keras涉及模型定义、编译、训练、评估和预测等步骤，顺序模型是最简单的模型定义方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Keras在希腊语中是尖角（horn）的意思，大概作者希望这个框架成为深度学习利器。

Keras是神经网络的高级API。运行在诸如tensorflow，theano之类的框架之上，简而言之就是封装了一些常用的操作，让调用更加方便，少写代码（重点）。
keras支持CPU,GPU运算。以tonsorflow作为后端时，自动支持GPU,不需要额外的代码。也支持多卡并行训练，包括模型并行和数据并行两种，需要一点额外的代码实现，总的来说也很简单。
keras作为高层的API，也被引入了tensorflow的官方库，特别是tf2.0中，成为一个主要的包。根据另一篇博客谈到，tf.keras几乎兼容keras，但是tf.keras还有一些tf自己的特色函数，用一句话概括就是和keras用法一样但是更niubi一些。（未经验证）
最简单的使用方法包含几个步骤：模型定义，compile 指定损失函数和训练器等，fit 训练模型，eval评估模型，predict输出。最简单的模型定义方式是使用顺序(Sequential )模型。如下所示

# 来自官方教程  网址：https://keras.io/

from keras.models import Sequential
from keras.layers import Dense

# 创建序列式模型，通过add方法添加网络层
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

# complie指定损失函数，监控的性能标准，优化方式
model.compile(loss='categorical_crossentropy',  optimizer='sgd',
              metrics=['accuracy'])
              
# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)  #模型训练

#评估模型
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
# 使用模型做预测
classes = model.predict(x_test, batch_size=128)