Keras學習一（翻譯）

本來做完模式識別的作業後，感覺現在讀研完全避不開深度學習的坑，想系統的學一下keras，結果查詢中文文件後發現翻譯的不全，學也學不系統，乾脆我自己來看英文文件，一邊學一邊翻譯，以後自己要查詢時也方便。（怨念~~~~）

前言：乙個簡單地keras模型步驟為：

sequential -> compile ->trian

getting started with the keras sequential model

keras 的核心資料結構是 model，一種組織網路層的方式。最簡單的模型是 sequential 順序模型，它由多個網路層線性堆疊。對於更複雜的結構，你應該使用 keras 函式式 api，它允許構建任意的神經網路圖。

sequential模型可以直接在乙個模組裡寫好：

from keras.models import sequential
from keras.layers import dense, activation
model = sequential([
dense(32, input_shape=(784,)),
activation('relu'),
dense(10),
activation('softmax'),
])

也可以通過.add()一層一層的往上加：

model = sequential()
model.add(dense(32, input_dim=784))
model.add(activation('relu'))

指定輸入資料的shape

模型需要知道它要接受何種shape的input（輸入的資料），因此，第一層layer（也只有第一層需要指定，因為接下來的layers可以自動推斷這一層的shape）需要接收input的shape。有以下幾種方式：

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

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

compilation

在訓練乙個模型之前，你需要首先配置學習過程，通過compile方法，它接收三個引數：

#多分類問題
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# 二分類問題
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# 均方誤差回歸問題
model.compile(optimizer='rmsprop',
loss='mse')
# 自定義指標
import keras.backend as k
def mean_pred(y_true, y_pred):
return k.mean(y_pred)
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy', mean_pred])

training

keras模型是在輸入資料和標籤的numpy陣列上訓練的。對於訓練模型，您通常會使用fit函式。

# for a single-input model with 2 classes (二分類問題):
model = sequential()   #sequential
model.add(dense(32, activation='relu', input_dim=100))
model.add(dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',   #conpile
loss='binary_crossentropy',
metrics=['accuracy'])
# generate dummy data    #train
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 (多分類問題):
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)

所有的基本步驟就是這些，本章翻譯自原文 guide to the sequential model章節，此章後面有幾個example來熟練，感興趣的可以去看看：

多層感知器(mlp)多類軟最大分類

用於二分類的mlp

使用lstm進行序列分類

用一維卷積進行序列分類

堆疊lstm序列分類

等…keras官方英文文件

Keras學習一（翻譯）

跳躍NLP曲線自然語言處理研究綜述（一）（翻譯）

keras初步學習

Keras學習筆記

Keras學習一（翻譯）

跳躍NLP曲線 自然語言處理研究綜述（一）（翻譯）

keras初步學習

Keras學習筆記

相關推薦

跳躍NLP曲線自然語言處理研究綜述（一）（翻譯）