使用Keras搭建深度学习模型

前言

目前深度学习领域的主流框架

• tensorflow
• keras
• pytorch
• caffe
• theano
• paddlepaddle

keras

代码架构

keras代码风格相比于其他框架更符合人的思维。

模型

• 模型的组成分为三部分：输入层、网络层、输出层。

输入层

• 输入层的作用时规定了模型输入的shape

from keras.layers import Input

ipt = Input(shape=(feature,))

注意**，shspe不包含样本数量的维度**。

参数详情

网络层

网络层的定义如：全连接层、卷积层、LSTM层，自定义网络层等。

• from keras.layers. import Dense,Conv2D,LSTM.
  一些常见的网络层主要参数如下，其他网络层参数详情可以自己去文档溜达溜达。

• Dense(units,activation = None…)

  • units: 神经元的个数。
  • activation 激活函数.

• Conv2D (filters, kernel_size, strides=(1, 1), padding=‘valid’, activation=None, …)

  • filters: 整数：输出空间的维度，（即卷积中的滤波器的输出数量）
  • kernel_size: 一个整数，或者两个整数表示的元组和列表，指明2D卷积窗口的高度和宽度。可以是一个整数，为所有空间维度指定相同的值。
  • strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿宽度和高度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定dilation_rate 值! = 1两者不兼容。
  • padding: “valid” 或 “same” (大小写敏感)。
  • activation 激活函数》

LSTM

( units, activation=‘tanh’,return_sequences=False,…)

• units: 输出向量的维度，
• activation:激活函数
• return_sequences: 布尔值，是返回输出序列中的最后一个输出，还是全部序列，（即每一个时间步对应一个输出）

关于网络层一些常见的激活函数

• relu、tanh、sigmoid
  

输出层

在$keras$中没有项输出层一样专门的层定义，而是在模型的最后一个接入一个全连接层（Desnse),作为输出层。

此处中最后一层即为输出层，该模型只有一个输出。

搭建

上一步，主要定义一些层的基本信息：如输入/输出，网络层（神经元数量、激活函数等等）。现在需要把这些层组建起来:

定义

编译

编译：指明模型训练时候用的优化器，损失函数、评价标准等等。

常见的优化器有: rmsprop、sgd

需要设置的优化器参数

常见的损失函数有:

常见的评价标准

训练

分批训练

迭代训练

迭代训练相比较前两种较为复杂的，首先定义一个迭代器（即函数）

• 有关yield关键字可自形百度了解。
  

评估

对测试集进行评估，如果在模型编译的时候没有指明$metrics$，
则返回Loss对应指标，否则返回metrics对应指标。

同样$fit$也分批迭代评估。

预测

保存

加载第一种保存的模型》

加载第二种只保存权重的模型，相比较第一种优点复杂，首先要定义好相应的模型后再加载。

总结

明天将项目给其搞完整，会自己将各种项目都给其搞定。keras库会根据项目将其详细学习，学会模型搭建以及模型的构造都行啦的样子与打算。