Keras的基本使用 1 建立，編譯，訓練模型

keras 是乙個用 python 編寫的，高階的神經網路 api，使用 tensorflow，theano 等作為後端。快速，好用，易驗證是它的優點。

官方文件傳送門：

中文文件傳送門：zh

中文第三方文件：

方法一：使用 sequential() 搭建模型

sequential 是實現全連線網路的最好方式。

1）sequential 模型是多個網路層的線性堆疊，可以從 keras 的模型庫中匯入 sequential 模型：

from keras.models import sequential
import tensorflow as tf
# create a sequential model 
model = sequential()

using tensorflow backend.

2）將一些網路層 layers 通過add()疊加，構成乙個網路：

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'))

也可以直接輸入乙個 list 完成 sequential 模型的搭建：

model = sequential([
(dense(units=64,input_dim=100)),
(activation('relu')),
(dense(units=10)),
(activation('softmax'))
])

簡便之處是，除第一層輸入資料的 shape 要指定外，其他層的資料的 shape 框架會自動推導。

model = sequential()
model.add(dense(32, input_shape=(784,)))
model = sequential()
model.add(dense(32, input_dim=784))

3）建立好模型後可以使用model.summary()來檢視最終的模型的結構

方法二：使用model()搭建模型

方法一是使用 sequential() (中文文件中的翻譯為：序貫模型）來搭建模型，這裡使用model()（即：函式式模型）來搭建模型。

中文文件中的說明：keras 函式式模型介面是使用者定義多輸出模型、非迴圈有向模型或具有共享層的模型等複雜模型的途徑。一句話，只要你的模型不是類似 vgg 一條路走到黑的模型，或者你的模型需要多於乙個的輸出，那麼你總應該選擇函式式模型。函式式模型是最廣泛的一類模型，序貫模型（sequential）只是它的一種特殊情況。

先來乙個簡單的例子：

from keras.layers import input, dense
from keras.models import model
# this returns a tensor
inputs = input(shape=(784,))
# a layer instance is callable on a tensor, and returns a tensor
x = dense(64, activation='relu')(inputs)
x = dense(64, activation='relu')(x)
predictions = dense(10, activation='softmax')(x)
# this creates a model that includes
# the input layer and three dense layers
model = model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels)  # starts training

函式式模型提供了介面供我們使用，利用介面可以很便利的呼叫已經訓練好的模型，比如像 vgg，inception 這些強大的網路。但要注意的是，呼叫模型的同時，也呼叫了它的權重資料。函式式模型建立好之後也能夠像序貫模型一樣 compile 和 fit，方法一致。

更多詳見：/en/latest/getting_started/functional_api/#functional

網路模型搭建完後，需要對網路的學習過程進行配置，否則在呼叫 fit 或 evaluate 時會丟擲異常。可以使用compile(self, optimizer, loss, metrics=none, sample_weight_mode=none, weighted_metrics=none, target_tensors=none)來完成配置

compile()主要接收前三個引數：

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

訓練模型一般使用fit()函式：

fit(self, x, y, batch_size=32, epochs=10, verbose=1, 
callbacks=none, validation_split=0.0,
validation_data=none, shuffle=true,
class_weight=none, sample_weight=none, 
initial_epoch=0)

下面是訓練模型的例子(來自官方文件)：

# for a single-input model with 2 classes (binary classification):
model = sequential()
model.add(dense(32, activation='relu', input_dim=100))
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, 100))
labels = np.random.randint(2, size=(1000, 1))
# train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)

# for a single-input model with 10 classes (categorical classification):
model = sequential()
model.add(dense(32, activation='relu', input_dim=100))
model.add(dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))
# convert labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
# train the model, iterating on the data in batches of 32 samples
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

Keras的基本使用 1 建立，編譯，訓練模型

Keras學習 1 使用keras建立序列模型

keras基本使用示例一

Keras的基本介紹

Keras的基本使用 1 建立，編譯，訓練模型

Keras學習 1 使用keras建立序列模型

keras基本使用示例一

Keras的基本介紹

相關推薦