Keras学习笔记（一）认识序贯（Sequential）模型
Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，它的可读性非常强！笔者在这参考了中文文档给自己做了个小结，方便以后查阅。
认识序贯（Sequential）模型
序贯模型是深度学习中最基本的模型，从字面意思理解就是顺序排列，也就是线形叠加的结构，比如最基本的BP神经网络、VGGNet等。
实现起来很简单。
模型类包含在keras.model中，我们从其中导入Sequential，隐含层、激活函数等都在layers库里面。如下为一个简单的例子。
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
Dense(32, units=784),#隐含层[784,32]
Activation('relu'),#激活函数
Dense(10),#隐含层[32,10]
Activation('softmax'),#激活函数
])
好，上面搭好了一个两层的BP神经网络（包含输出层），接下来我们就得定义怎么训练，装载输入数据，简单两句话搞定。
编译compile
需要配置三个参数：优化器、损失函数、指标列表。最简单的示例如下
# For a multi-class classification problem
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
optimizer是优化器，可以用预先定义好的rmsprop等也可以自己定义。先导入optimizers库，再定义一个优化器，主要参数有学习率…不同的优化器各有不同。
from keras import optimizers
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)
自定义optimizer
from keras import optimizers
1、SGD
keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)
其中decay学习率衰减率；momentum动量；nesterov：确定是否使用Nesterov动量
2、Adam
keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)
3、RMSprop
keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-06)
4、Adagrad
keras.optimizers.Adagrad(lr=0.01, epsilon=1e-06)
5、Adadelta
keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)
损失函数是第二个参数，对于损失函数也有很多。
mean_squared_error或mse mean_absolute_error或mae
mean_absolute_percentage_er or或mape
mean_squared_logarithmic_error或msle squared_hinge hinge
categorical_hinge binary_crossentropy（亦称作对数损失，logloss） logcosh
categorical_crossentropy：亦称交叉熵损失函数，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
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)
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.
poisson：即(predictions - targets * log(predictions))的均值
cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数
训练
训练用fit函数，首先装载训练集data、label。还可以定义batch_size，epoch
一般来说对于2分类问题可以直接label装进去即可。如下
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)
多分类时，考虑把标签[1000,1]转为[1000,n]也就是tensorflow中的onehot。
# 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)
verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
预测
预测结果用到predict函数
model.predict( x, batch_size=32, verbose=0)
predict_on_batch( x)#预测一个batch
评估
对前面的metrics=[‘accuracy’]进行评估
model.evaluate( x, y, batch_size=32, verbose=1, sample_weight=None)