深度学习分享4：tensorflow keras介绍

tensorflow高级API：tf.keras

keras介绍：
1、keras是一个高层神经网络API，比较人性化，语言简洁
2、keras具有模块化的特点，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块
3、添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
搭建网络步骤：

1 import相关模块

2 train，test数据导入

并指定x_train,y_train,x_test,y_test。

3 搭建神经网络

model=tf.keras.models.Sequential([ 网络结构])逐层搭建神经网络，相当于走了一遍前向传播。
比如拉直层是：tf.keras.layers.Flatten()作用是把数据拉直成为一维列向量然后输入神经元第一层
全连接层（FC）：tf.keras.layers.Dense(神经元个数，activation=‘激活函数’，kernel_regularizer=哪种正则化)
正则化的基本思想是惩罚大的权重，使得网络更加稳定
激活函数一般有：relu softmax sigmoid tanh
kernel_regularizer可选tf.keras.regularizers.l1(),tf.keras.regularizers.l2()
卷积层（CNN）：tf.keras.layers.Conv2D(filters= 卷积层个数，kernel_size=卷积核尺寸，strides=卷积步长，padding=‘valid’ or ‘same’)
循环神经网络层（LSTM）：tf.keras.layers.LSTM()

4 训练方法

model.compile配置训练方法，告知训练时选择哪种优化器，选择哪个损失函数，选择哪种评测标准
model.compile(optimizer=‘优化器’，loss=损失函数，metrics=[‘准确率’])
optimizer可选：
sgd
adagrad
adadelta
adam
loss可选：
mse
sparse_categorical_crossentropy(稀疏分类交叉熵)
Metrics（度量标准）可选：
accuracy
categorical_accuracy
sparse_categorical_accuracy:其中y_是数值，y是独热码（概率分布），如y_=[0,1,0] y=[0.1,0.6,0.3],这种用的比较多，以数值形式给出标签，以概率分布形式输出

5 一些超参数设置

model.fit告知训练集和测试集的输入特征和标签，告知每个batch是多少，epoch是多少
model.fit(训练集的输入特征，训练集的标签，batch_size=,epochs=,
validation_data=(测试集的输入特征，测试集的标签)，
validation_split=从训练集划分多少比例给测试集，
validation_freq=多少次epch测试一次)

6 打印出网络的结构和参数统计

summary打印出网络的结构和参数统计
相当于一个可视化工具吧