前言

学习深度学习已经很长时间了，学习了很多模型，也学习了很多理论知识。最近，想学习一下Keras。我自己也看了几个用keras写的代码。感觉简洁、清晰。因此，想学习一下keras。就个人想法。在学习的时候，想做一些笔记。一是方便自己以后看，二是记录一下个人学习历程，三是如果有幸帮助有人能看到我的博客，对你有所帮助，我也是很荣幸的。我的学习资料来源于Keras中文文档，链接：https://keras.io/zh/ 。如果有兴趣的，可以直接访问官网学习，一定比我写的好。

一、Keras的介绍

Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow，CNTK，或者Theano作为后端运行。Keras的开发重点是支持快速的实验。能够以最小的时延把想法转化成实验结果，是做好研究的关键。Keras可以让你简单而快速的设计模型，同时支持卷积神经网络和循环神经网络，可以在GPU和CPU上无缝运行。

Keras的指导原则：

用户友好：keras是为人类设计的，把用户体验放在首要和中心位置。提供简单的API，将常见用例所需的用户操作数量降到最低，并且在用户错误时提供清晰和可操作的反馈。
模块化：模型由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层/损失函数、优化器、初始化方法、激活函数、正则化方法，都可以结合起来构建新模型的模块。
易扩展性：可以轻松的构建新模块。
基于Python实现：Keras没有特定格式的单独配置文件。定义在python代码中，易于调试，易于扩展。

二、使用Keras Sequential 顺序模型

1. 多个网络层的线性堆叠

方法一：将网络层实例的列表传递给Sequential的构造器，来创建一个Sequential模型

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
        Dense(32, input_shape=(784,)), # 全连接层
        Activation('relu'),  # 激活
        Dense(10),
        Activation('softmax'),
    ])

方法二：使用.add()方法将各层添加到模型

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

2. 指定输入数据的尺寸

模型需要知道期望的输入的尺寸，因此，在顺序模型的第一层，而且是只有第一层需要接受关于其输入尺寸的信息。其他层可以自动推断尺寸。

传递一个input_shape参数给第一层。表示尺寸的一个元组，一个整数或None的元组，None表示可能为任何正整数。在input_shape中不包含任何数据的batch大小。如果想指定一个batch大小，可以传递一个batch_size参数。
某些2D层，通过参数input_dim指定输入尺寸。某些3D时序层支持input_dim和input_length参数

# 下面两种是等价的
model = Sequential()
model.add(Dense(32, input_shape(784,)))

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

3. 模型编译

训练模型之前，要配置学习过程，也就是定义损失函数等信息。通过compile方法完成。接受三个参数：

优化器optimizer：可以是现有优化器的字符串标识符，如rmsprop
损失函数loss：模型最小化的目标函数，如categerical_crossentropy，也可以是一个目标函数
评估标准metrics：对于任何分类问题，希望是准确率，可以自定义评估函数。

# 多分类问题
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# 二分类问题
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

# 均方误差回归问题
model.compile(optimizer='rmsprop', loss='mse')

# 自定义评估标准函数
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])

4. 模型训练

Keras在输入数据和标签的Numpy矩阵上进行训练。为了训练模型，通常会使用fit函数。

# 具有两个类的单输入模型
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'])

# 生成数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 训练模型
model.fit(data, labels, epochs=10, batch_size=32)

# 具有十个类的单输入模型
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'])

# 生成数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 将标签转换为分类的one-hot编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

学完了基本的实现方法，我们下面实现两个简单的例子。keras实现多分类与二分类

Keras学习笔记----快速开始keras的顺序模型

前言