上面学习了在Window和Linux上安装keras环境。既然装了，下面花5分钟学习如何入门使用keras，很简单，不要怕！就像搭积木一样简单。
搭积木一样简单
Keras深度学习基础
Keras的主要结构是模型，它定义了深度学习网络的图层解雇。可以像搭积木一样，向现有模型添加更多图层，以构建项目所需的自定义模型。
以下是如何在深度学习中创建顺序模型和一些常用层
1.顺序模型
from keras.models import Sequential
from keras.layers import Dense, Activation,Conv2D,MaxPooling2D,Flatten,Dropout
model = Sequential()
2.卷积层
这是卷积层作为输入层的示例，输入形状为320x320x3，具有48个大小为3x3的滤波器，并使用ReLU作为激活函数。
input_shape=(320,320,3) #this is the input shape of an image 320x320x3
model.add(Conv2D(48, (3, 3), activation='relu', input_shape= input_shape))
另一种类型是
model.add(Conv2D(48, (3, 3), activation='relu'))
卷积层
3. MaxPooling Layer
要对输入表示进行下采样，请使用MaxPool2d并指定内核大小
model.add(MaxPooling2D(pool_size=(2, 2)))
输入表示进行下采样
4.Dense Layer
添加完全连接的图层，只需指定输出尺寸
model.add（Dense（256，activation ='relu'））
5.DropOut层
以50％的概率添加DropOut层
model.add(Dropout(0.5))
编译，培训和评估
在定义模型之后，开始训练它们。首先需要使用loss函数和优化器函数编译网络。这将允许网络改变权重并最小化损失。
model.compile（loss ='mean_squared_error'，optimizer ='adam'）
现在开始训练，使用fit将训练和验证数据提供给模型。这将允许您批量训练网络并设置epochs。
model.fit（X_train，X_train，batch_size = 32，epochs = 10，validation_data =（x_val，y_val））
最后一步是使用测试数据评估模型。
score = model.evaluate（x_test，y_test，batch_size = 32）
让我们尝试使用简单的线性回归
<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232); font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: 400; letter-spacing: normal; orphans: 2; text-align: start; text-indent: 0px; text-transform: none; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; text-decoration-style: initial; text-decoration-color: initial;">import keras
from keras.models import Sequential
from keras.layers import Dense, Activation
import numpy as np
import matplotlib.pyplot as plt
x = data = np.linspace(1,2,200)
y = x4 + np.random.randn(x.shape) * 0.3
model = Sequential()
model.add(Dense(1, input_dim=1, activation='linear'))
model.compile(optimizer='sgd', loss='mse', metrics=['mse'])
weights = model.layers[0].get_weights()
w_init = weights[0][0][0]
b_init = weights[1][0]
print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
model.fit(x,y, batch_size=1, epochs=30, shuffle=False)
weights = model.layers[0].get_weights()
w_final = weights[0][0][0]
b_final = weights[1][0]
print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))
predict = model.predict(data)
plt.plot(data, predict, 'b', data , y, 'k.')
plt.show()
训练数据后，输出应如下所示
初始权重
Linear regression model is initialized with weights w: 0.37, b: 0.00
和最终的权重
Linear regression model is trained to have weight w: 3.70, b: 0.61
转载于:https://www.jianshu.com/p/5c9a77f1b6df