keras的模型学习笔记

keras的模型学习笔记

定义模型

序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。

from keras.models import Sequential
model=Sequential()###序贯模型

1. 可以通过向Sequential模型传递一个layer的list来构造该模型
2. 也可以通过.add()方法一个个的将layer加入模型中

模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数.

1. 传递一个input_shape的关键字参数给第一层
2. 有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。
3. 如果你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，例如你想指定输入张量的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)

 

在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

1. 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象，详情见optimizers
2. 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses
3. 指标列表metrics：对分类问题，我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.

adam = Adam(lr=1e-4)
model.compile(loss='binary_crossentropy',  # 损失函数
                  optimizer='adam',            # 优化器
                  metrics=['accuracy'])        # 模型评测方法