Keras的入门

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# Convert labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

序号代表代码序号

1. Sequential()这个函数直接就返回一个网络对象，可不断向其中加入层，也可以初始化时就设定好。

1. Dense（）返回一个全连接层，add（）就是向刚刚创建的网络对象中加入这个层，32表示输出长度，input_dim代表输入长度。

2. 也是加入一个全连接层，但它用的激活函数是softmax，所以显然是个loss层。

3. 在构建好网络结构后对网络使用compile（）进行编译，optimizer为优化方式，loss为损失函数，metrics为评估函数，评估函数与损失函数很像，但它并不参于训练过程，即它只负责评估，其中loss与metrics都可以选择预设的和自定义。

4. import numpy

5. 构建一个shape为（1000,100）的虚拟样本数组。

6. 构建一个shape为（1000,1）的虚拟标签数组，并且标签的值>=0&&<=9,因为这是一个10分类的网络。

7. 将标签数据转换为独热向量，即0000000001,0000000010………..1000000000。

8. 使用fit（）函数进行训练，其中epochs是整个样本数据集迭代次数，batch_size是单次迭代所输入的样本数，在这里，我们需要将epochs、maximum_iterations、test_iterations、batch size这四个概念区分开来。epochs与maximum_iterations、batch size这三个概念在训练时使用，在上面这段程序中，batch size为32，epochs为10，且样本数组shape为[1000,100],这意味着样本集中有1000个样本，那么训练总共需要输入的样本数为epochs*样本集样本数=10 * 1000=10000 ，由于每次输入32个样本，则maximum_iterations为10000/32。batch size与test_iterations在测试过程中会使用到，意思分别为单次输入样本数与迭代次数。