Keras学习笔记01——快速搭建神经网络结构

在Keras1.0版中新增加了functional model API（泛型模型），接收一个或一些张量作为输入，然后输出的也是一个或一些张量，同时仍然支持Sequential模型。
Sequential模型：一种特殊的模型，单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作上也比较简单。

搭建神经网络流程

1.模型结构

model = Sequential() 
model = Model()

然后向模型中添加网络层，组织模型。
添加方法：
1. 在构造模型时传入一个网络层构成的列表；
2. 使用add方法添加网络层；

2.编译模型

在学习模型之前，对模型进行配置。

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

• 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象;
• 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数;
• 指标列表metrics：对分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。指标可以是一个预定义指标的名字（目前仅支持accuracy），也可以是一个一般的函数。

3.训练模型

model.fit(data, labels, nb_epoch=10, batch_size=32)

---

这样我们就训练好了一个神经网络模型，可以用来预测新样本了。

看来，用Keras搭建神经网络模型真是太简单了。唯一的不足是没有文本形式的API函数手册，每次想要知道一个函数的用法的时候还得使用help函数，不知道是不是我还没有找到而已。