免責事項：この記事はブロガーオリジナル記事です、続くBY-SAのCC 4.0を著作権契約、複製、元のソースのリンクと、この文を添付してください。
Keras：Pythonのライブラリを学ぶの深さに基づいて、
簡単な紹介
Pythonで書かれたKerasはそれがTensorFlow、CNTK、またはTheanoは、バックエンドとして実行することができ、高レベルのニューラルネットワークのAPIです。Kerasの開発の焦点は、迅速なテストをサポートすることです。結果にあなたのアイデアを変換するために、最小限の遅延で、それは良い研究の鍵となります。
keras（深い学習フレームワーク）
トレーニングプロセスの概要
1.データセットをダウンロードして読んで
from keras.datasets import 数据集
(x_train, y_train), (x_test, y_test) = 数据集.load_data()
前記テストデータは定量化します
- 定量化するためのトレーニングとテストデータ
x_train.astype('float32')
- 量子化にタグ（コーディングonehot）
to_categorical(y, num_classes=None, dtype='float32')- onehotコーディングに整数クラスラベル。yは、整数配列であり、カテゴリ、タグの数がmax（Y）（ラベル0から始まる）より大きいあるnum_classes
- 戻り値：num_classesは=なし、LEN（Y）* [MAX（Y）+1]（寸法、mは行n列のM * nの行列、以下同様を表す）を返さない場合は、そうでなければ（Y）* num_classes）でlen
3.ビルドのネットワーク
from keras.models
from keras.layers
Keras二つのモデルの種類、シーケンシャルモデル（シーケンシャル）と機能モデル（モデル）がありますが、機能モデルは、より広く適用され、シーケンシャルモデルは機能モデルである特殊なケースです。
-
A）シーケンシャルモデル（シーケンシャル）：単一入力単一出力、最終的に道路リード、隣接する層の間の関係のみ、交差接続層が存在しません。このモデルコンパイラは操作が比較的簡単で、高速で
-
b）機能モデル（モデル）：複数入力複数出力、層の間の任意の接続。このモデルは遅いコンパイルされます。
ステップ1： model=models.Sequential()：適用様々な層に基づいて、モデルを生成します
SETP2： model.add：レイヤーを追加します。
STEP3：model.compileコンパイルモデル
STEP4：model.fitモデル訓練パラメータ+トレーニング。