人工智能原理自学笔记（三）——Keras入门，搭建简单的神经网络框架

初识Keras——完成一次神经网络的搭建

什么是Keras

如果说之前学习实践的过程就像是机器学习中的汇编语言写法，Keras框架就如同机器学习里的高级语言，实现了对机器学习神经网络底层复杂的数学运算的封装，我们可以轻松地通过它提供的各种上层接口搭建模型。此外，还有类似的机器学习框架，比如：TensorFlow。相比于Keras，TensorFlow对底层的封装没有那么完全，对编程者而言就显得更加灵活。这两者的关系就如同python与C/C++的关系一般。

“你恰好发现了Keras”
Keras中文文档

代码：

先通过代码展示较为简单的神经网络架构：

import dataset
import numpy as np
import plot_utils
from keras.models import Sequential #用来堆叠神经网络的序列，可以理解为用来堆叠神经网络的载体
from keras.layers import Dense      #意为全连接层，全连接即意为，这一层的每一个输入和输出，和上一层、下一层的每一个全都连接着，一个也不少
from keras.optimizers import SGD
m = 100
X,Y = dataset.get_beans(m)
plot_utils.show_scatter(X,Y)
#创建一个模型
model = Sequential()
# 创建一层,units表示这一层有几个神经元,设定激活函数类型以及输入维度
dense1 = Dense(units = 1,activation = 'sigmoid',input_dim = 2)
#dense2 = Dense(units = 1,activation = 'sigmoid')
model.add(dense1)
#model.add(dense2)
#创建两个隐藏层神经元，使用Sigmoid激活函数
#units:神经元数量 
#创建一个输出层神经元，使用Sigmoid函数激活，用于将上一行两个隐藏层神经元的输出汇合
#model.add(Dense(units = 1,activation = 'sigmoid'))
#使用均方误差代价函数和随机梯度下降算法（sgd）
model.compile(loss = 'mean_squared_error',  #代价函数
                optimizer = SGD(lr = 0.05), #优化器，手动设置学习率
                #optimizer = 'sgd',          #优化器
                metrics = ['accuracy'])     #评估标准
#开始训练
model.fit(X,Y,epochs = 5000,batch_size = 10)
#epochs：训练回合数
#batch_size：每一次训练使用的样本数量
pres = model.predict(X) #预测函数，得到的pres就是经过训练后的预测结果

本段代码片中用到的主要即是Keras中的models、layers以及optimizers三个包，除去与之前类似的生成随机数据的过程，代码首先调用Sequential（）函数生成了一个名为model的神经网络模型。而Dense()函数则是用来生成神经网络的一层结构。
units：该层的神经元数量
activation ：该层神经元输出的激活函数类型（代码片中选用Sigmoid）函数
input_dim：该层的输入参数数量
完成对该层神经网络的定义后，通过model.add(Densen)将定义好的该层Dense对象加入神经网络中。