普适技术｜Keras 中神经网络模型的 5 步生命周期你知道吗？

今天 ，小普分享的是Keras 中神经网络模型的 5 步生命周期。

使用 Keras 在 Python 中创建和评估深度学习神经网络非常容易，但您必须遵循严格的模型生命周期。

在这篇文章中，您将了解在 Keras 中创建、训练和评估深度学习神经网络的逐步生命周期，以及如何使用经过训练的模型进行预测。

看完这篇文章你会知道：

• 如何在 Keras 中定义、编译、拟合和评估深度学习神经网络。
• 如何为回归和分类预测建模问题选择标准默认值。
• 如何将它们结合在一起以在 Keras 中开发和运行您的第一个多层感知器网络。

概述

下面是我们将要研究的 Keras 中神经网络模型生命周期中的 5 个步骤的概述。

1. 定义网络。
2. 编译网络。
3. 适合网络。
4. 评估网络。
5. 作出预测。

步骤 1. 定义网络

第一步是定义你的神经网络。

神经网络在 Keras 中被定义为一系列层。这些层的容器是 Sequential 类。

第一步是创建 Sequential 类的实例。然后，您可以创建图层并按照它们应该连接的顺序添加它们。

例如，我们可以分两步完成：

model = Sequential()
model.add(Dense(2))

但是我们也可以通过创建一个层数组并将其传递给 Sequential 的构造函数来一步完成。

layers = [Dense(2)]
model = Sequential(layers)

网络中的第一层必须定义预期的输入数量。指定的方式可能因网络类型而异，但对于多层感知器模型，这是由 input_dim 属性指定的。

例如，一个小型多层感知器模型，可见层有 2 个输入，隐藏层有 5 个神经元，输出层有一个神经元，可以定义为：

model = Sequential()
model.add(Dense(5, input_dim=2))
model.add(Dense(1))

将 Sequential 模型视为一个管道，原始数据输入在底部，预测结果在顶部。

这在 Keras 中是一个有用的概念，因为传统上与层相关的关注点也可以拆分并添加为单独的层，清楚地显示它们在从输入到预测的数据转换中的作用。例如，可以提取转换层中每个神经元的求和信号的激活函数，并将其作为称为激活的层状对象添加到序列中。

model = Sequential()
model.add(Dense(5, input_dim=2))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))

激活函数的选择对于输出层来说是最重要的，因为它将定义预测将采用的格式。

例如，以下