keras入门笔记（1）

keras入门笔记

TensorFlow源码库：

https://github.com/tensorflow/tensorflow

本文参考了博客https://blog.csdn.net/qq_42483967/article/details/80759828，有不足之处希望大家指出。

Tensorflow和Keras的关系：

TensorFlow和Keras都是深度学习框架，TensorFlow比较灵活。Keras其实就是TensorFlow的接口（Keras作为前端，TensorFlow作为后端），它也很灵活，且比较容易学。可以把keras看作为tensorflow封装后的一个API。

Tensorflow可以用5-4-9模型来概括：5 步 + 4 种基本元素 + 9 种基本层结构

5步法 

（1）网络模型

过程化方法构造网络模型，Keras中提供了Sequential容器来实现过程式构造。只要用Sequential的add方法把层结构加进来就可以了。

（2）编译模型

模型构造好之后，下一步就可以调用Sequential的compile方法来编译它，编译时需要指定两个基本元素：loss是损失函数，optimizer是优化函数。
（3）训练模型 

调用fit函数，将输出的值X，打好标签的值y，epochs训练轮数，batch_size批次大小设置一下。
（4）评估模型

要用测试数据来评估，loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
（5）使用模型进行预测

classes = model.predict(x_test, batch_size=128)

4种基本元素

（1）网络结构：由10种基本层结构和其他层结构组成 ，用层结构来拼装（如何设计层结构）。
（2）激活函数：如relu, softmax。对于多分类的情况，最后一层是softmax。 其它深度学习层中多用relu。 二分类可以用sigmoid。 另外浅层神经网络也可以用tanh。

（3）损失函数：

categorical_crossentropy多分类对数损失

binary_crossentropy对数损失

mean_squared_error平均方差损失

mean_absolute_error平均绝对值损失 

对于多分类来说，主要用categorical_ crossentropy。

(4）优化器：如SGD随机梯度下降, RMSProp, Adagrad, Adam, Adadelta等

9种基本层模型

3种主模型： 
全连接层：Dense 
卷积层：如conv1d, conv2d 
循环层：如lstm, gru  
3种辅助层： 
Activation层 
Dropout层 
池化层
3种异构网络互联层： 
嵌入层：用于第一层，输入数据到其他网络的转换 
Flatten层：用于卷积层到全连接层之间的过渡 
Permute层：用于RNN与CNN之间的接口

下面使用Mnist手写识别作为一个例子来讲解：

请见下一文章Keras入门笔记（2）