keras入门

框架为 keras+tensorflow

几个重要过程：

1、下载数据集  load data

2、定义模型   define model

3、编译模型   compile model

4、拟合模型  fit model

5、评估模型  evaluate model

第一步：下载数据集 

设置随机种子，可以使得每次实验时的起始都一样，便于对比，也便于debug

第二步： 导入模型（必须包含numpy）

from keras.models import Sequential
from keras.layers import Dense
import numpy
#fit random seed for reproducibility
numpy.random.seed(种子)

第三步：使用numpy的loadtxt()函数导入下载好的数据，将数据分为输入X和输出Y

dataset=numpy.loadtxt('数据集名称',delimiter=",")
#split into input(X) and output(Y)
x=dataset[:,0:8]
y=dataset[:,8]    #假定有8列

第四步：定义模型

定义输入层个数，此例中为8个。

定义连接层为全连接  Dense，神经元个数定义为12个（可以根据需要更改）

此例中，定义层数为3层，权重可以选择 “uniform”（权重为0~0.05），也可以选择“normal”，默认服从高斯分布，选定激活函数为

“relu”，为了使输出在0~1之间，令最后一层的激活函数为“sigmoid”。

model=Squential()
model.add(Dense(12,input_dim=8,activation="relu"))
model.add(Dense(8,activation="relu"))
model.add(Dense(1,activation="sigmoid"))

第五步：编译模型

需要后端支持，本例使用的tensorflow，它会根据系统是否有GPU加速而自动选择，没有则选则CPU加速

在该阶段定义损失函数loss，二分类方法可以为“binary_crossentropy”，也可以为其他类型。

优化器optimizer 可以选择 “adam”，也可以选择其他类型。

最后定义分类精度metric ，可以选择“accuracy”

model.compile(loss='binary_crossentropy',optimizer='adam',matric=['accuracy'])

第六步：拟合模型fit

这阶段需要将输入X和输出Y作为参数进行传递，同时需要定义enpochs参数，本例中选择150，batch_size10

model.fit(x,y,epochs=150,batch_size=10)

第七步：评估模型evaluate

训练完模型之后，需要根据测试集去评估模型的好坏

这里为了简便，用测试集来评估，实际使用中，经常将数据集分为训练集和测试集两类，然后使用训练出来的模型对测试集进行

验证

scores=model.evaluate(x,y)
print("\n%s: %2.f%%" %(model.metrics_names[1],scores[1]*100))