Keras学习(2)---快速开始：30 秒上手 Keras

今天先颠倒一下顺序，把结果放上来:
keras可以简单到就下面几步（从下文可以看出）：
1.构建模型。关键字:add
2.配置学习过程。关键字：compile
3（可选).配置优化器。关键字：compile
4.训练。关键字：fit
5.完事，我们已经得到Keras 模型（训练好的结果，称之为Keras模型）。使用吧！

今天开始学习keras，keras有多简单？看下面就知道了。
来源：https://keras.io/zh/

快速开始：30 秒上手 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.models import Sequential

可以简单地使用 .add() 来堆叠模型：
from keras.layers import Dense
model.add(Dense(units=64, activation=‘relu’, input_dim=100))
model.add(Dense(units=10, activation=‘softmax’))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：
model.compile(loss=‘categorical_crossentropy’,optimizer=‘sgd’,metrics=[‘accuracy’])

如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

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

现在，你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 – 就像在 Scikit-Learn API 中一样。)
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：
model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者对新的数据生成预测：
classes = model.predict(x_test, batch_size=128)

构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？