深度学习keras笔记

基本概念

1、tensorflow是keras的后端
2、tensor是张量，是向量和矩阵的推广。张量的阶数或维度称为轴（axis）

import  numpy as np
a = np.array([[1,2],[3,4]])
sum1 = np.sum(a,axis=0) # axis=0代表按行计算
sum2 = np.sum(a,axis=1) # axis=1代表按列计算
print(sum1)
print(sum2)

output：

[4 6]
[3 7]

3、在tensorflow中表示1000张32*32的彩色图片用四维张量（1000，32，32，3）来表示，把通道数放在最后，由于是彩色图像，有RGB三个通道。
4、在keras中有两种模型 ①：序贯模型Sequential，单输入单输出层与层之间只有相邻关系，没有连接关系，编译速度较快。②：图模型Graph，支持多输入多输出，各个层之间可以任意连接，但编译速度较慢。
5、深度学习的优化算法是梯度下降算法，使用batch_size可以把数据分为若干个批，按批来更新参数。也可避免一次送入网络数据过多，引起内存爆炸。
6、序贯模型Sequential，第一层需要接收一个关于输入数据shape的参量

搭建模型

例：

from keras.models import Sequential
from keras.layers import Dense,Activation
model = Sequential()
model.add(Dense(16,input_dim=32))
model.add(Activation('relu'))

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 64)                8256      
_________________________________________________________________
activation (Activation)      (None, 64)                0         
=================================================================
Total params: 8,256
Trainable params: 8,256
Non-trainable params: 0
_________________________________________________________________

模型的配置

在训练模型之前，需要用compile来进行配置。
compile接受三个参数 （1）优化器optimizer （2）损失函数loss （3）指标列表metrics

模型的训练

model.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batch
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epoch迭代用测试集测试一次结果)
epochs是指把所有的数据训练多少遍

模型的保存

可以使用model.save(filepath)的方法将keras的模型和权重保存在一个文件中。可以使用model.load_model(filepath)来实例化模型。

from keras.models import load_model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
del model # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')