Keras学习笔记(二)：Sequential模型实践及model方法文档

导读：

第一部分：Sequential模型创建使用方法
第二部分：Sequential模型方法（接口）参数介绍

Sequential模型创建使用方法 ：

Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。你也可以查看函数式模型来学习建立更复杂的模型

1.创建模型
#具体参数介绍在本文下方有详细介绍可逐一查询参照。
这里构造了神经网络结构包括各种层和激活函数。
直接用参数List构造
from keras.models import Sequential

model = Sequential([
    Dense(32, units=784),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

或者用.add()一层层堆，构成模型：

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

2.编译模型：
完成模型的搭建后，我们需要使用.compile()方法来编译模型，这里添加了Loss，优化器：
#具体参数介绍在本文下方有详细介绍可逐一查询参照。

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

可以根据自己的需要定制自己的模型、网络层，甚至修改源代码或者这些可以根据自己需要重写后再传入。

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

3.训练模型
完成模型编译后，我们用fit()在训练数据上按batch进行一定次数的迭代来训练网络
#具体参数介绍在本文下方有详细介绍可逐一查询参照。

model.fit(x_train, y_train, epochs=5, batch_size=32)

我们也可以手动将一个个batch的数据送入网络中训练，这时候需要使用：

model.train_on_batch(x_batch, y_batch)

3.训练模型
我们可以使用一行代码对我们的模型进行评估，看看模型的指标是否满足我们的要求：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者，对新的数据进行