Keras笔记

https://keras.io/zh/

Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential顺序模型，它由多个网络层线性堆叠。

Sequential 模型

from keras.models import Sequential
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

 在完成了模型的构建后, 可以使用 .compile() 来配置学习过程

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

 批量地在训练数据上进行迭代

model.fit(x_train, y_train, epochs=5, batch_size=32)

或者手动将批次的数据提供给模型

model.train_on_batch(x_batch, y_batch)

评估性能

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

对新的数据生成预测

classes = model.predict(x_test, batch_size=128)

成预测 

1.Input()

用来实例化一个keras张量

from keras.layers import Input,Dense

Input(shape=None,batch_shape=None,name=None,dtype=K.floatx(),sparse=False,tensor=None)

#参数：

• shape: 形状元组（整型）， shape=(32,) 表示了预期的输入将是一批32维的向量。
• batch_shape: 形状元组（整型），包括了batch size。batch_shape=(10,32)表示了预期的输入将是10个32维向量的批次。
• name: 对于该层是可选的名字字符串。在一个模型中是独一无二的（同一个名字不能复用2次）。如果name没有被特指将会自动生成。
• dtype: 预期的输入数据类型
• sparse: 特定的布尔值，占位符是否为sparse
• tensor: 可选的存在的向量包装到Input层，如果设置了，该层将不会创建一个占位张量。
• #返回 一个张量

2.Dense

Dense层就是所谓的全连接神经网络层

keras.layers.Dense(units, 
                  activation=None, 
                  use_bias=True,
                  kernel_initializer='glorot_uniform',
                  bias_initializer='zeros',
                  kernel_regularizer=None,
                  bias_regularizer=None,
                  activity_regularizer=None,
                  kernel_constraint=None,
                  bias_constraint=None)

#参数 ：

• units:该层有几个神经元,正整数，输出空间维度
• activation:该层使用的激活函数
• use_bias:是否添加偏置项
• kernel_initializer:权重初始化方法
• bias_initializer:偏置值初始化方法
• kernel_regularizer:权重规范化函数
• bias_regularizer:偏置值规范化方法
• activity_regularizer:输出的规范化方法
• kernel_constraint:权重变化限制函数
• bias_constraint:偏置值变化限制函数

3.compile用于配置训练模型

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

•  optimizer优化器 ：它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是 Optimizer 类的实例
•  loss：模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。
• metrics: 在训练和测试期间的模型评估标准。通常你会使用 metrics = ['accuracy']。 要为多输出模型的不同输出指定不同的评估标准，还可以传递一个字典，如 metrics = {'output_a'：'accuracy'}。 
• loss_weights: 指定标量系数（Python浮点数）的可选列表或字典，用于加权不同模型输出的损失贡献。 模型将要最小化的损失值将是所有单个损失的加权和，由 loss_weights 系数加权。 如果是列表，则期望与模型的输出具有 1:1 映射。 如果是张量，则期望将输出名称（字符串）映射到标量系数。
• sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。 默认为 None，为采样权重（1D）。如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
• weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
• target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据），您可以通过 target_tensors 参数指定它们。它应该是单个张量（对于单输出 Sequential 模型）。

4.fit

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

• batch_size: 整数或 None。每次提度更新的样本数。如果未指定，默认为 32.
• epochs: 整数。训练模型迭代轮次。一个轮次是在整个 x 或 y 上的一轮迭代。请注意，与 initial_epoch 一起，epochs 被理解为 「最终轮次」。模型并不是训练了 epochs 轮，而是到第 epochs 轮停止训练。
• verbose: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
• callbacks: 一系列的 keras.callbacks.Callback 实例。一系列可以在训练时使用的回调函数。
• validation_split: 在 0 和 1 之间浮动。用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。验证数据是混洗之前 x 和y 数据的最后一部分样本中。
• validation_data: 元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)，用来评估损失，以及在每轮结束时的任何模型度量指标。模型将不会在这个数据上进行训练。这个参数会覆盖 validation_split。

5. evaluate

在测试模式，返回误差值和评估标准值

6.fit

predict(x, batch_size=None, verbose=0, steps=None)

• x: 输入数据，Numpy 数组（或者如果模型有多个输入，则为 Numpy 数组列表）。
• batch_size: 整数。如未指定，默认为 32。
• verbose: 日志显示模式，0 或 1。
• steps: 声明预测结束之前的总步数（批次样本）。默认值 None