Deep learning基于theano的keras学习笔记（1）-Sequential模型

最近在看keras文档，想写博客却真的无从下手（其实就是没咋学会），想想不写点笔记过段时间估计会忘得更多，所以还是记录一下吧，感觉学习keras最好的方式还是去读示例的代码，后期也有想些keras示例代码注释的想法，但是现在还是老老实实地先记录keras的基础知识吧。

---

《统计学习方法》中指出，机器学习的三个要素是模型，策略和优算法，这当然也适用于深度学习，而我个人觉得keras训练也是基于这三个要素的，先建立深度模型，然后选用策略（目标函数），采用优化器，编译和训练模型。

• Sequential模型，顾名思义，就是多个网络层的线性堆叠
  建立模型有两种方式：一是向layer添加list的方式，二是通过.add()方式一层层添加（一个add为一层），具体可见如下代码

#引入Sequential，Dense，Activation
from keras.models import Sequential
from keras.layers import Dense, Activation
#向layer添加list方式
model = Sequential([Dense(32, input_dim=784),Activation('relu'),Dense(10),Activation('softmax'),])

#通过.add()方式
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

• 输入数据shape
  Sequential只需在第一层需接受一个关于输入数据shape的参数，后面的各个层则可自动推导出中间数据的shape。
  input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。
  传递一个batch_input_shape的关键字参数给第一层，该参数包含数据的batch大小。该参数在指定固定大小batch时比较有用。事实上，Keras在内部会通过添加一个None将input_shape转化为batch_input_shape
  有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

model = Sequential()
model.add(Dense(32, batch_input_shape=(None, 784)))

model = Sequential()
model.add(Dense(32, input_dim=784))
#以上三种输入是等价的

• 编译

  在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

  1. 优化器optimizer：已预定义的优化器名，如rmsprop、ad