Keras 搭建简单神经网络：顺序模型+回归问题

多层全连接神经网络

• 每层神经元个数、神经网络层数、激活函数等可自由修改
• 使用不同的损失函数可适用于其他任务，比如：分类问题
• 这是Keras搭建神经网络模型最基础的方法之一，Keras还有其他进阶的方法，官网给出了一些基本使用方法：Keras官网

# 这里搭建了一个4层全连接神经网络（不算输入层），传入函数以及函数内部的参数均可自由修改
def ann(X, y):
    '''
    X: 输入的训练集数据
    y: 训练集对应的标签
    '''
    
    '''初始化模型'''
    # 首先定义了一个顺序模型作为框架，然后往这个框架里面添加网络层
    # 这是最基础搭建神经网络的方法之一
    model = Sequential()
    
    '''开始添加网络层'''
    # Dense表示全连接层，第一层需要我们提供输入的维度 input_shape
    # Activation表示每层的激活函数，可以传入预定义的激活函数，也可以传入符合接口规则的其他高级激活函数
    model.add(Dense(64, input_shape=(X.shape[1],)))
    model.add(Activation('sigmoid'))
    
    model.add(Dense(256))
    model.add(Activation('relu'))
    
    model.add(Dense(256))
    model.add(Activation('tanh'))
    
    model.add(Dense(32))
    model.add(Activation('tanh'))
    
    # 输出层，输出的维度大小由具体任务而定
    # 这里是一维输出的回归问题
    model.add(Dense(1))
    model.add(Activation('linear'))
    
    '''模型编译'''
    # optimizer表示优化器（可自由选择），loss表示使用哪一种
    model.compile(optimizer='rmsprop', loss='mean_squared_error')
    # 自定义学习率，也可以使用原始的基础学习率
    reduce_lr = ReduceLROnPlateau(monitor='loss', factor=0.1, patience=10, 
                                  verbose=0, mode='auto', min_delta=0.001, 
                                  cooldown=0, min_lr=0)
    
    '''模型训练'''
    # 这里的模型也可以先从函数返回后，再进行训练
    # epochs表示训练的轮数，batch_size表示每次训练的样本数量（小批量学习），validation_split表示用作验证集的训练数据的比例
    # callbacks表示回调函数的集合，用于模型训练时查看模型的内在状态和统计数据，相应的回调函数方法会在各自的阶段被调用
    # verbose表示输出的详细程度，值越大输出越详细
    model.fit(X, y, epochs=100,
             batch_size=50, validation_split=0.0,
             callbacks=[reduce_lr],
             verbose=0)
    
    # 打印模型结构
    print(model.summary())

    return model

下图是此模型的结构图，其中下划线后面的数字是根据调用次数而定