keras学习笔记（一）

Keras：基于theano和tensorflow的深度学习库

• Keras是一个高层神经网络库，由Python编写并基于theano和tensorflow
• Keras适用的Python版本是python2.7-python3.5

       Keras的一个重要性质是模块化设计，模块可理解为独立的序列或图，完全可配置的模块以最少的代价自由组织在一起。网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用他们快速构建模型。（有点类似于软件开发过程中的”低耦合，高内聚“的思想）

theano  http://www.deeplearning.net/software/theano_versions/0.9.X/install.html#install

tensorflow  https://github.com/tensorflow/tensorflow#download-and-setup

keras快速上手：

keras的核心数据结构是模型，模型是一种组织网络层的方式。keras的主要数据模型是Sequential，Sequential是一系列网络层按顺序构成的栈。

• Sequential模型

# 模型一般都在keras.models这个包中
from keras.models import Sequential
model=Sequential()

• add()堆叠网络层

# 网络层一般都在keras.layers这个包中
from keras.layers import Dense,Activation
model.add(Dense(output_dim=64,input_dim=100))
model.add(Activation('relu'))
model.add(Dense(output_dim=10))
model.add(Activation('relu'))

• compile()编译模型

model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])

#loss损失函数
#optimizer优化器

from keras.optimizer import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

• fit()训练模型

# 模型训练
model.fit(X_train,y_train,nb_epoch=5,batch_size=32)

• evaluate()评估模型

# 模型评估
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

# 我们可以使用我们的模型，对新的数据进行预测：
classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)