关于keras

快速开始：30s上手Keras

Keras的核心数据结构是“模型”，模型是一种组织网络层

的方式。Keras中主要的模型是Seqential模型， Seqential是一系列网络层按顺序构成的栈。

Seqential模型如下：

from keras.models import Seqential
model = Seqential()

将一些网络层通过 .add() 堆叠起来，就构成了一个模型：

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

完成模型的搭建后，需要用 .compile() 方法来编译模型：

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

编译模型时必须指明损失函数（loss）和优化器（optimizer），如果需要可以自己定制损失函数。

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型编译后，我们在训练数据上按batch进行一定次数的迭代来训练网络：

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

当然，我们也可以手动将一个个batch的数据送入网络中训练，这时候需要使用：

model.train_on_batch(x_batch, y_batch)

随后，用一行代码对我们的模型进行评估，看看模型的标准时候满足我们的要求：

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

或者，可以对新的数据进行预测：

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

keras中文手册