keras使用总结(前三章)

简单的例子

network = models.Sequential()
layer1 = layers.Dense(512, activation='relu', input_shape=(28*28,))
layer2 = layers.Dense(10, activation='softmax')
network.add(layer1)
network.add(layer2)

network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

network.fit(train_images, train_lable, epochs=5, batch_size=128)

 

本例中的网络包含 2 个 Dense 层，它们是密集连接（也叫全连接）的神经层。第二层（也
是最后一层）是一个 10 路 softmax 层，它将返回一个由 10 个概率值（总和为 1）组成的数组。
每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率。
要想训练网络，我们还需要选择编译（compile）步骤的三个参数。
损失函数（loss function）：网络如何衡量在训练数据上的性能，即网络如何朝着正确的
方向前进。
优化器（optimizer）：基于训练数据和损失函数来更新网络的机制。
在训练和测试过程中需要监控的指标（metric）：本例只关心精度，即正确分类的图像所
占的比例。

 

前三章使用到的激活函数(activation)：

1. relu

2. softmax-手写数字识别、新闻分类，多分类问题

3. sigmoid-电影评论分论，二分类问题

4. 不需要激活函数，例如波士顿房价线性回归的例子

优化器(optimizer):

rmsprop

损失函数（loss）:

categorical_crossentropy-手写数字识别、新闻分类，多分类问题

binary_crossentropy-电影评论分论，二分类问题

mse-波士顿房价，线性回归问题

监控指标(metric)

accuracy

acc，用于交叉熵的损失函数

mae，用于mse的损失函数

 

模型另外的接口：

模型的预测：

predictions = model.predict(x_test)

模型的评估：

test_loss, test_acc = network.evaluate(test_images, test_lable)