keras入门操作

keras

一．搭建神经网络步骤

1.

Model=sequential()   sequential()顺序模型，它可以由多个网络层线性堆叠。

2.

接下来用.add()  来添加网络层

model.add(LSTM......）   

model.add(conv2d...)   //卷积层

model.add(MaxPool2D..)  //池化层

Model.add(Dense...)   //全连接层

3.

.compile()   配置学习过程

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics='accuracy')

我们也可以配置优化器的参数。所以keras让用户简单的搭建模型的同时，又可以控制它。

1.  训练

model.fit(xtrain,ytrain,epochs=300,batch_size=32,verbose=2,validation_data=(xtest, ytest),callbacks=[history])    

epochs训练次数，batch_size 依次送入网络训练的个数

1.  测试

Model.evaluate(xtest,ytest)

对训练好的模型进行测试

• keras中的模块

1. losses损失函数

categorical_crossentropy交叉熵函数

使用时需要注意目标值（标签）除了表示类别的值是1，其他的均为0.

除此之外还有logcosh(双曲余弦对数），hinge（铰链损失）等等

1. Metrics 评估函数

metrics='accuracy'

准确值来评估性能

1. optimizers 优化器

Adam

参数：

Ir: 学习率 float>=0;

Beta1,beta2  俩个平滑常数，用来计算梯度平滑，通常取默认值0.9,0.999

Decay 学习率衰减值

除了adam还有sgd（随机梯度下降优化器），RMSprop（RNN通常会用这个）

1. 激活函数  activations

 softmax

Relu,sigmoid

1. 回调函数  callbacks

Callbacks=[history]

把所有数据都记录到hiostory对象中。

6.自带的数据集 datasets

Cifar10  小图像分类

Mnist  手写数字分类

等

from keras.datasets import cifar10

（x_train, y_train), (x_test, y_test)=cifar10.load_data()

7初始化  initializer

bias_initializer='zeros'  张量初始值为0

RandomNormal   正态分布生成随机张量

RandomUniform  均匀分布生成随机张量

1. 正则化 regularizers

对网络层的参数惩罚，缓解过拟合的现象

model.add(Dense(64,input_dim=64,kernel_regularizer=regularizers.L2(0.01)