Keras学习笔记（4)

序贯模型Sequential

特点：“一条路走到黑”，多个网络层的线性堆叠。

通过向Sequential模型传递一个layer的list来构造该模型，如以下代码所示：
 

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
Dense(32, units=784),
Activation('relu'),
Dense(10),
Activation('softmax'),
])

也可以通过.add()将layer加入模型中：
 

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model.add(Activation('relu'))

模型需要知道输入数据的shape，因此，第一层需要设置一个输入数据shape的参数，方法如下：

1. 传递一个input_shape的关键字参数给第一层，是一个tuple类型的数据。数据的batch大小不应包含在其中。
2. 有些2D层，如Dense，支持通过指定input_dim来隐含的指定输入数据的shape，是一个int类型的数据。
3. 有些3D层，支持通过指定input_dim和input_length来指定输入数据的shape。
4. 如果需要为输入指定一个固定大小的batch_size（常用于stateful RNN网络），可以传递batch_size参数到一个层中，例如我们想指定输入张量的batch大小是32，数据shape是（6，8），则你需要传递batch_size=32和input_shape=(6,8)。

如以下代码：

model = Sequential()
model.add(Dense(32, input_dim=784))

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

编译

在训练模型之前，需要进行compile编译。compile接受三个参数：

• 优化器optimizer：该参数可以设置为已经定义好的优化器名，如rmsprop、adagrad或者一个Optimizer类的对象。
• 损失函数loss：该参数为模型试图最小化的目标函数。
• 指标列表metrics：对于分类问题，我们一般将该列表设置为metrics=['accuracy']。

如以下代码：

# For a multi-class classification problem
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# For a binary classification problem
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# For a mean squared error regression problem
model.compile(optimizer='rmsprop',
              loss='mse')

# For custom metrics
import keras.backend as K

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

训练

Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数。详见以下例子：

# For a single-input model with 2 classes (binary classification):

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)