第三章 -神经网络入门-keras简介

最新推荐文章于 2025-07-18 11:10:30 发布

原创最新推荐文章于 2025-07-18 11:10:30 发布 · 322 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#keras #神经网络 #深度学习

keras学习过程记录专栏收录该内容

5 篇文章

订阅专栏

本文概述了使用Keras进行典型深度学习项目的步骤，包括数据准备、模型定义（Sequential vs Functional API）、编译选择及fit方法的应用。从定义模型的层结构，到配置优化器、损失函数和评估指标，一步步带你入门Keras模型训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 典型的keras工作流程：

(1) 定义训练数据：输入张量和目标张量。
(2) 定义层组成的网络（或模型），将输入映射到目标。
(3) 配置学习过程：选择损失函数、优化器和需要监控的指标。
(4) 调用模型的 fit 方法在训练数据上进行迭代。

2.定义模型的方法

定义模型有两种方法：一种是使用 Sequential 类（仅用于层的线性堆叠，这是目前最常见的网络架构），另一种是函数式 API（functional API，用于层组成的有向无环图，让你可以构建任意形式的架构）。

利用 Sequential 类定义

from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))

用函数式 API 定义的相同模型

input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor)

编译：

from keras import optimizers
model.compile(optimizer=optimizers.RMSprop(lr=0.001),
 loss='mse',
 metrics=['accuracy'])

学习过程就是通过 fit() 方法将输入数据的 Numpy 数组（和对应的目标数据）传入模型

model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)