Keras神经网络实战指南-优快云博客

一、Keras的模型

二、训练步骤

三、keras中的层

一、Keras的模型

keras是基于tensorflow的高级神经网络库，其中的神经网络模型通过层的图(graph of layers)来定义，分为序列化模型和功能化模型两种。

1.序列化API

Model=Sequential()创建空模型，可通过model.add()或sequential([层列表])将层添加到模型中。

如：

Model=Sequential()
Model.add(Dense(10,input_shape=(256,))

2.功能化API

通过输入和输出定义模型，可构建分支，多个输入层、输出层和共享层，Model=Model(inputs=[张量列表],outputs=[~])。例：

1. 创建输入层
input=Input(shape=(64,))
2. 创建密集层
hidden=Dense(10)(inputs)
3. 创建隐含层
hidden=Activation('tanh')(hidden)
hidden=Dense(10)(hidden)
output=Activation('tanh')(hidden)
4. 用输入层和输出层实例化模型对象
model=Model(inputs=input,outputs=output)

二、训练步骤

keras的训练步骤为：创建模型--添加层--编译模型--训练模型--评估预测。

1.模型编译

model.compile(self,optimizer,loss,metrics=None,sample_weight_mode=None)

优化器：SGD、RMSprop、Adagrad、Adam、Adamax；
损失函数：mean_squared_error,mean_absolute_error,squared_hinge,hinge,sparse_categorical_crossentropy,binary_crossentropy,binary_accuracy
Metrics:度量标准列表，同loss

2.模型训练

model.fit(x,y)
fit函数定义：fit(self,x,y,batch_size=32,epochs=10,verbose=1,)

三、keras中的层

1.keras内核层

Dense:全连接，输出为activation((inputs * weights)+bias)，激活默认为None；

keras.layers.Dense(units, activation=None, 
				  use_bias=True, 
				  kernel_initializer='glorot_uniform', 
				  bias_initializer='zeros', 
				  kernel_regularizer=None, 
				  bias_regularizer=None, 
			          activity_regularizer=None, 
				  kernel_constraint=None, 
                  bias_constraint=None)

Activation:激活函数可用softmax、ele、selu、softplus、relu、tanh、sigmoid；
Dropout:
Flatten
Reshape
Permute:按指定模式对输入大小重新排列
RepeatVector:按给定次数重复输入，(s,t)形状张量重复n此形状为(s,n,t);
Lambda自定义函数包装图层。
ActivityRegularization:L1或L2正则化。