//2019.07.29-30
1、Kerasは、いくつかの可用性の高いニューラルネットワークのフレームワークのAPIのPythonを提供することで 、あなたはすぐに彼らの深さの学習モデルを構築し、訓練することができ、そのバックエンドがあるTensorFlow またはTheano 。
：2は、Kerasは、ニューラルネットワークを構築するために、将来にあると考えられている、次はその人気の理由の一部です
（1）軽量かつ迅速な開発：Kerasは定型コードの除去を目的としています。ネイティブのためのTensorFlowコードよりも多くの機能を実装するコードのKeras数行。また、簡単にCNNとRNNを達成し、そしてそれらは、上記のCPUやGPUで実行させることができます。
（2）「勝者」の枠組み：KerasはAPIで、他の深い学習の枠組みの上で実行されます。このフレームワークは、TensorFlowまたはTheanoことができます。Microsoftはまた、KerasのバックエンドとしてCNTKを作るために計画しています。現在、世界のニューラルネットワークのフレームワークは非常に断片化され、かつ非常に速く成長しています。
私たちはどのように痛いそうです新しいフレームワークを、学ばなければなら毎年、想像してみてください。これまでのところ、TensorFlowがトレンドのようです、そしてより多くのフレームワークKerasのサポートを提供し始め、それが標準になる可能性があります。
図3は、現時点では、Kerasの深さは、最も急速に成長している学習の枠組みの一つです。あなたもそれに人気の大きな理由になり、バックエンド、など、さまざまな深さの学習フレームワークを使用することができますので。あなたが記事非常に興味深い論文を読んで、あなたが上記の設定、独自のデータにこのモデルをテストしたい場合は、このようなシナリオを想像することができます。さんが再びと仮定しましょう、あなたはTensorFlow非常に精通しているが、Theanoはほとんど知りません。だから、あなたはこの論文のTensorFlow再現を使用する必要がありますが、この期間は非常に長いです。コードは今Kerasを使用して書かれている場合は、その後、あなただけのコードを使用することができますTensorFlowバックエンドを変更します。これは、地域社会の発展のために大きな後押しになります。
4、のためのフレームワークを構築するためにtheano Keras人工ニューラルネットワークを使用した：
NP ASインポートnumpyの
PDとしてインポートPANDAS
シーケンシャルからのインポートをkeras.models
高密度keras.layersインポート、アクティベーションから
SGD keras.optimizersインポートから
sklearn.datasetsの＃インポートload_irisからKerasを導入人工ニューラルネットワークのビルディングブロックと生データ導入
IRIS = load_iris（）を
印刷（IRIS [ "ターゲット"]）
sklearn.preprocessingインポートLabelBinarizerのから
プリント（LabelBinarizer（）。fit_transform（IRIS [ "ターゲット"]））
sklearn.model_selectionインポートからtrain_test_split
train_data、TEST_DATA、train_target、test_target = train_test_split（iris.data、iris.target、test_size = 0.2、= random_state。1）
labels_train LabelBinarizer =（）。fit_transform（train_target）
labels_test LabelBinarizer =（）。fit_transform（test_target）
model=Sequential(
[
Dense(5,input_dim=4),
Activation("relu"),
Dense(3),
Activation("sigmoid"), #搭建数据神经网络的结构（输入输出的形式和数量）
]
)
#model=Sequential()
sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(optimizer=sgd,loss="categorical_crossentropy")
model.fit(train_data,labels_train,nb_epoch=200,batch_size=40) #进行数据的训练
print(model.predict_classes(test_data)) #输出测试集的预测结果
