Keras学习笔记_构建网络 Dense层的堆叠

定义模型

一、激活函数 activation
model=models.Sequential()
model.add(layers.Dense(隐藏层个数，activation=‘’))
1、softmax
2、softplus
3、softsign
4、relu
5、tanh
6、sigmoid
7、hard_sigmoid
8、linear

编译模型必选两个参数：优化器 optimizers 和 损失函数（目标函数）loss
model.compile(optimizers='', loss='', metrics=[''])

二、优化器 optimizers
1、SGD：随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量
2、RMSprop：除学习率可调整外，建议保持优化器的其他默认参数不变，该优化器通常是面对递归神经网络时的一个良好选择
3、Adagrad
4、Adadelta
5、Adam

三、目标函数、损失函数loss
1、mean_squared_error或mse

2、mean_absolute_error或mae

3、mean_absolute_percentage_error或mape

4、mean_squared_logarithmic_error或msle

5、squared_hinge

6、hinge

7、binary_crossentropy（亦称作对数损失，logloss）
8、
categorical_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为形如(nb_samples, nb_classes)的二值序列

9、sparse_categorical_crossentrop：如上，但接受稀疏标签。注意，使用该函数时仍然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度：np.expand_dims(y,-1)

10、kullback_leibler_divergence:从预测值概率分布Q到真值概率分布P的信息增益,用以度量两个分布的差异.

11、poisson：即(predictions - targets * log(predictions))的均值

12、cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数