11、深入理解Keras核心API：从层到模型的构建与训练

深入理解Keras核心API：从层到模型的构建与训练

1. 线性分类器与深度学习基础

线性分类器的核心在于找到一条直线（或在高维空间中的超平面）的参数，从而将两类数据清晰地分开。当掌握了TensorFlow的基础知识后，就可以从零开始实现简单的模型，如批量线性分类器或简单的神经网络。而现在，是时候迈向更高效、更强大的深度学习之路——Keras API。

2. 深度学习的构建模块：层

在神经网络中，层是基本的数据处理模块。它接收一个或多个张量作为输入，并输出一个或多个张量。有些层是无状态的，但更多时候层具有状态，即层的权重，这些权重是通过随机梯度下降学习得到的一个或多个张量，它们共同包含了网络的知识。

不同类型的层适用于不同的张量格式和数据处理类型，具体如下表所示：
| 数据类型 | 张量形状 | 适用层类型 |
| ---- | ---- | ---- |
| 简单向量数据 | (样本数, 特征数) 的二维张量 | 密集连接层（Dense） |
| 序列数据 | (样本数, 时间步长, 特征数) 的三维张量 | 循环层（如LSTM）或一维卷积层（Conv1D） |
| 图像数据 | 四维张量 | 二维卷积层（Conv2D） |

可以将层看作深度学习的乐高积木，Keras通过将兼容的层拼接在一起，形成有用的数据转换管道来构建深度学习模型。

2.1 Keras中的基础层类

Keras中的所有操作都围绕着 Layer 类展开。 Layer 类封装了一些状态（权重）和计算（前向传播）。权重通常