Keras深度学习之分层概念

3.1 多层感知层简介

3.1.1 链接输入、输出的Dense层

Dense(8,input_dim=4,activation='relu')

• 第一个参数：输出神经元的个数

• input_dim：输入神经元的个数

• activation：激活函数

  • linear：默认值，输入神经元与权重计算得到的结果值

  • relu：主要用于隐藏层。rectifier函数

  • sigmoid：sigmoid函数，主要用于二元分类问题的输出层中

  • softmax：softmax函数，主要用于多分类问题的输出层中

Dense层不受输入神经元个数的限制，可自由设定输出神经元的个数

3.2搭建多层感知神经网络模型

深度学习为什么需要随机种子

基于随机种子来实现代码中的随机方法，能够 保证多次运行此段代码能够得到完全一样的结果，即保证结果的 可复现性，这样 别人跑你的代码的时候也能够很好地复现出你的结果。

3.2.1 设置模型训练过程

model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

• loss：用于评价权重设定的代价函数

• optimizer：搜索最优权重的优化算法

• metrics：衡量指标

3.2.2 训练函数

• 第一个参数：输入变量

• 第二个参数：输出变量。也就是标签值

• epochs：指定对整体训练数据集进行训练的循环次数

• batch_size：对权重进行更新的batch大小

3.2.3 模型评价

scores = model.evaluate(x_test,y_test)
print("%s: %.2f%%"