用Keras六步搭建神经网络模型

应用搭建好的神经网络模型步骤：

1.自制训练集和数据增强
2.断点续训和提取参数
3.可视化loss和acc曲线
4.应用训练好的网络

一、import导入相关包

例如：

import tensorflow as tf
from tensorflow.keras.layers import Dense
import numpy as np
#......等等

二、train、test训练集、测试集获取

告知要喂入网络的train训练集和test测试集是什么；也就是要指定训练集的输入特征x_train和训练集的标签y_train，还可以指定测试集的输入特征x_test和测试集的标签y_test。

三、Sequential搭建网络结构

在Sequential中搭建网络结构，逐层描述每层网络，相当于走了一遍前向传播。

拉直层：tf.keras.layers.Flatten()
全连接层： tf.keras.layers.Dense(神经元个数, activation=“激活函数”, kernel_regularizer=哪种正则化)
#其中：activation（字符串给出）可选：relu、softmax、sigmoid、tanh；
#其中：kernel_regularizer可选：tf.keras.regularizers.l1()、tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D(filters=卷积核个数, kernel_size=卷积核尺寸, strides=卷积步长, padding=“valid"or"same”)
LSTM层（循环神经网络层）：tf.keras.layers.LSTM()

四、compile配置训练方法

在compile中配置训练方法，告知训练时使用哪种优化器，选择哪个损失函数，选择哪种评测指标。

model.compile(optimizer = 优化器, loss = 损失函数, metrics = [“准确率”])

Optimizer可选：
‘sgd’ or tf.keras.optimizers.SGD(lr=学习率, momentum=动量参数) ‘adagrad’ or tf.keras.optimizers.Adagrad(lr=学习率)
‘adadelta’ or tf.keras.optimizers.Adadelta(lr=学习率) ‘adam’ or
tf.keras.optimizers.Adam(lr=学习率, bera_1=0.9, beta_2=0.999)
loss可选：
‘mse’ or tf.keras.losses.MeanSquaredError()
‘sparse_categorical_crossentropy’ or
tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
Metics可选： ‘accuracy’：y_和y都是数值，如y_=[1] y=[1]
‘categorical_accuracy’：y_和y都是独热码（概率分布），如y_=[0, 1, 0] y=[0.256, 0.695,
0.049] ‘sparse_categorical_accuracy’：y_是数值，y是独热码（概率分布），如y_=[1] y=[0.256, 0.695, 0.049]

五、fit执行训练过程

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，告知要迭代多少次数据集。

model.fit(训练集的输入特征, 训练集的标签, batch_size=分组大小, epochs=迭代次数, 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epoch测试一次)

其中：validation_data和validation_split二选一即可

六、summary打印网络结构和参数统计

model.summary()