Keras-Sequential模型（1）

Sequential是多个网络层的线性堆叠。
看到以上关于layer（层）的概念，兴许，对于刚刚接触Keras的童鞋们来说还是比较懵逼，例如我，然后参考了其他的一些博主的成果，有种“柳暗花明”的赶脚。
Keras实现了很多层，包括core核心层，Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。而实现一个Sequential模型（相对比较特殊）则需要多个层来共同搭建（堆叠）和串联实现，不知道这个说法理解对不对。
先快速实现一个简单的Sequential模型，然后模型中涉及的每一个“层”的知识，之后会慢慢介绍和更新。

#!/usr/bin/python
#created by lixin 20161206
from keras.models import Sequential
from keras.layers import Dense,Activation,Dropout

model = Sequential()
model.add(Dense(64,input_dim=784,init='uniform',activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1,activation='sigmoid'))
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])

#generate dummy data
import numpy as np
data = np.random.random((1000,784))
labels = np.random.randint(2,size=(1000,1))
model.fit(data,labels,nb_epoch=100,batch_size=32)

这段代码是一个用于二分类的有监督的多层感知器。训练数据是随机产生的1000组，其维度为784，目标数据（标签）是随机产生的1000组0/1数据。

指定输入数据的Shape

模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape。

• 
  
• 传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中
• 传递一个batch_input_shape的关键字参数给第一层，该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用，例如在stateful RNNs中。事实上，Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
• 有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。
  

下面的三个指定输入数据shape的方法是严格等价的：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

model = Sequential()
model.add(Dense(32, input_dim=784))
#貌似更常用或是更常见

下面三种方法也是严格等价的：

model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))

model = Sequential()
model.add(LSTM(32, batch_input_shape=(None, 10, 64)))

model = Sequential()
model.add(LSTM(32, input_length=10, input_dim=64))

编译

在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

• 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象
• 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。
• 指标列表metrics：对分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.

训练

Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数。