Keras基础指南

$Keras$主要有2中模型，$Sequential$模型和$Model$模型。

$Sequential$模型：

模型

from keras.models import Sequential
from keras.layers import Flatten,Dense,Embedding

model = Sequential()
model.add(Embedding(max_words,embedding_dim,input_length=maxlen))
model.add(Flatten())
model.add(Dense(16,activation='relu'))
model.add(Dense(1,activation='sigmoid'))
model.summary()

先令$model=Sequential()$
然后往后面不断的添加层就可以了，非常方便。
要注意第一层需要有一个输入的维度大小的相关信息，其他层不需要这类信息。
最后$summary()$一下，看看模型长什么样子

编译

编译的时候可以指定优化器，损失函数，监控指标等等。

model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])

回调函数

可以设置保存点，提前终止等等，写好以后命名为$callback\_list$。

from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint
model_name='glove_model_1.h5'
callback_list=[
    #EarlyStopping(
    #    monitor='val_acc',
    #    patience=5
    #),
    ModelCheckpoint(
        filepath=model_name,
        monitor='val_acc',
        save_best_only=True
    )
]

训练

设置训练集，$epoch$大小，$batch$大小，验证集，以及回调函数等等。

history = model.fit(x_train,y_train,epochs=30,batch_size=32,validation_data=(x_val,y_val),callbacks=callback_list)

$model$模型

$model$模型比$sequential$模型更为复杂一点，能够实现共享层，多层输出等模型。

from keras.models import Model
from keras.layers import Input, Dense

a = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)

剩下的编译，调回，训练部分和$sequential$模型一样。
区别在于：

1. $model$模型需要指定输入，输出。
2. 层的输入需要作为变量写在层的后面。

这样，$model$模型就能实现更为复杂的神经网络结构

参考:keras中文文档