机器学习系列 八 - 2.使用Keras build一个网络 Keras 2.0 版本语法

还是手写数字辨识问题

第一步，设计架构(模型)

老版本中，我们每一层的输出，在1.0版本里面参数名字是output，而在Keras2.0里面，改成了units，这个看上去更为直观，表明下一层我要输出多少个节点。并制定激活函数。

然后，因为下一层的输入就是上市上一层的输出，所以下一层里面不需要在生命input dimension了，input就是500。

那直接定义units，就是输出到下一层的节点数。并指定激活函数。

那最后输出一层，因为是手写数字辨识，所以一共10个数字，10个输出，然后在指定激活函数，用softmax。也可以用别的激活。

这里选择softmax是因为，每一项的输出都是介于0-1之间，所有项的总和是1，这样就类似于概率来看待这个问题。

第二步，进行Loss方程和优化器设定

    1. 定义Loss function，这里选择交叉熵

    2. 定义优化器， 这里选择非基础的gradient descent，但所有优化器基本都是base 于gradient descent的。这里使用adam。

还有很多种优化器，可以后面研究不同的实现，我们之前学过了Adagrad

第三步，选择最好的function

    1. train 我们的 network，其实在Keras里面一句话搞定：model.fit

    x_train -> 代表training data的 输入， image的维度 * image总数

    y_train -> 代表training data的 输出，代表image的label * image总数

input = 图片， output = 每张图片对应的数字

    batch_size 上一节解释过，就是把所有数据分成n个batch批次，这里是代表每一个批次所包含的数据量

    epochs   上一节解释过，名字有改变，之前叫做nb_epoch，代表所有数据总共进行几次train。

数据都需要存成numpy 的array。

输入输出都是一个二维矩阵， x_train、y_train如上面所描述。

keras 教程

下面内容在上一节已经讲过，

两个case 做评估和做预测。

作业：

自己根据上面所讲的api进行手写数字辨识的代码部分。

下次上课老师会再讲一遍，到时候跟老师所讲的代码进行比较，看看哪里还有欠缺。

自我分析：

1.首先确认网络结构，3层网络， 其实就相当于 ==  选择function set 也就是 model

    1.1 input layer 28*28=784 dimension input node

    1.2 hidden layer 500 node

    1.3 output layer 10 node

2. 判断function好坏，找到是loss function 最优的参数集 parameter set，使用交叉熵模型作loss function，

    选取优化器，优化器都是基于gradient descent的，所以按照相对稳定的选择adam

3. 对数据进行train

    model.fit(x_train, y_train)

还是手写数字辨识问题

第一步，设计架构(模型)

老版本中，我们每一层的输出，在1.0版本里面参数名字是output，而在Keras2.0里面，改成了units，这个看上去更为直观，表明下一层我要输出多少个节点。并制定激活函数。

然后，因为下一层的输入就是上市上一层的输出，所以下一层里面不需要在生命input dimension了，input就是500。

那直接定义units，就是输出到下一层的节点数。并指定激活函数。

那最后输出一层，因为是手写数字辨识，所以一共10个数字，10个输出，然后在指定激活函数，用softmax。也可以用别的激活。

这里选择softmax是因为，每一项的输出都是介于0-1之间，所有项的总和是1，这样就类似于概率来看待这个问题。

第二步，进行Loss方程和优化器设定

    1. 定义Loss function，这里选择交叉熵

    2. 定义优化器， 这里选择非基础的gradient descent，但所有优化器基本都是base 于gradient descent的。这里使用adam。

还有很多种优化器，可以后面研究不同的实现，我们之前学过了Adagrad

第三步，选择最好的function

    1. train 我们的 network，其实在Keras里面一句话搞定：model.fit

    x_train -> 代表training data的 输入， image的维度 * image总数

    y_train -> 代表training data的 输出，代表image的label * image总数

input = 图片， output = 每张图片对应的数字

    batch_size 上一节解释过，就是把所有数据分成n个batch批次，这里是代表每一个批次所包含的数据量

    epochs   上一节解释过，名字有改变，之前叫做nb_epoch，代表所有数据总共进行几次train。

数据都需要存成numpy 的array。

输入输出都是一个二维矩阵， x_train、y_train如上面所描述。

keras 教程

下面内容在上一节已经讲过，

两个case 做评估和做预测。

作业：

自己根据上面所讲的api进行手写数字辨识的代码部分。

下次上课老师会再讲一遍，到时候跟老师所讲的代码进行比较，看看哪里还有欠缺。

自我分析：

1.首先确认网络结构，3层网络， 其实就相当于 ==  选择function set 也就是 model

    1.1 input layer 28*28=784 dimension input node

    1.2 hidden layer 500 node

    1.3 output layer 10 node

2. 判断function好坏，找到是loss function 最优的参数集 parameter set，使用交叉熵模型作loss function，

    选取优化器，优化器都是基于gradient descent的，所以按照相对稳定的选择adam

3. 对数据进行train

    model.fit(x_train, y_train)