Keras学习（概论）

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/dreamLC1998/article/details/102704455

Keras: 基于 Python 的深度学习库

简介

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你的想法转换为实验结果，是做好研究的关键。

keras（深度学习框架）

训练过程小结

1.下载和读入数据集

from keras.datasets import 数据集 
(x_train, y_train), (x_test, y_test) = 数据集.load_data()

2.将测试数据向量化

• 训练和测试数据向量化
  • x_train.astype('float32')
• 标签向量化(onehot编码)
  • to_categorical(y, num_classes=None, dtype='float32')
    • 将整型的类别标签转为onehot编码。y为int数组，num_classes为标签类别总数，大于max(y)（标签从0开始的）
    • 返回：如果num_classes=None，返回len(y) * [max(y)+1]（维度，m*n表示m行n列矩阵，下同），否则为len(y) * num_classes)

3.构建网络

from keras.models

from keras.layers

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。

• a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单

• b）函数式模型（Model）：多输入多输出，层与层之间任意连接。这种模型编译速度慢。

step1：model=models.Sequential() ：产生一个模型，在此基础上加各种层

setp2：model.add：添加层；

step3： model.compile编译模型

step4：model.fit模型训练参数设置 + 训练；