深度学习--Keras总结

Keras主要包括14个模块，本文主要对Models、layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics共计8个模块分别展开介绍，并通过一个简单的Bp神经网络说明各个模块的作用。 
1. Model 
包：keras.models 
这是Keras中最主要的一个模块，用于对各个组件进行组装 
eg:

 
 

   
   

    
    

   
   
   
   

    
    

     
     from keras.models 
     
     import Sequential
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model=Sequential() 
     
     #初始化模型
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.add(...) 
     
     #可使用add方法组装组件
    
    
   
   
 
 

2. layers 
包：keras.layers 
该模块主要用于生成神经网络层，包含多种类型，如Core layers、Convolutional layers等 
eg:

 
 

   
   

    
    

   
   
   
   

    
    

     
     from keras.layers 
     
     import Dense 
     
     #Dense表示Bp层
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.add(Dense(input_dim=
     
     3,output_dim=
     
     5)) 
     
     #加入隐含层
    
    
   
   
 
 

3. Initializations 
包：keras.initializations 
该模块主要负责对模型参数（权重）进行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等 
详细说明：http://keras.io/initializations/ 
eg:

model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入带初始化（uniform）的隐含层

 
 

4. Activations 
包：keras.activations、keras.layers.advanced_activations（新激活函数） 
该模块主要负责为神经层附加激活函数，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比较新的激活函数 
详细说明：http://keras.io/activations/ 
eg:

model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入带激活函数（sigmoid）的隐含层

 
 

Equal to:

 
 

   
   

    
    

   
   
   
   

    
    

     
     model.
     
     add(Dense(input_dim=
     
     3,output_dim=
     
     5)) 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.
     
     add(Activation(
     
     'sigmoid'))
    
    
   
   
 
 

5. Objectives 
包：keras.objectives 
该模块主要负责为神经网络附加损失函数，即目标函数。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss 
注：目标函数的设定是在模型编译阶段 
详细说明：http://keras.io/objectives/ 
eg:

 model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目标函数

 
 

6. Optimizers 
包：keras.optimizers 
该模块主要负责设定神经网络的优化方法，如sgd。 
注：优化函数的设定是在模型编译阶段 
详细说明：http://keras.io/optimizers/ 
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指优化方法

 
 

7. Preprocessing 
包：keras.preprocessing.(image\sequence\text) 
数据预处理模块，不过本人目前尚未用过 
8. metrics 
包：keras.metrics 
与sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的评价方法 
eg:

 
 

   
   

    
    

   
   
   
   

    
    

     
     predict=model.predict_classes(test_x) 
     
     #输出预测结果
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     keras.metrics.binary_accuracy(test_y,predict) 
     
     #计算预测精度
    
    
   
   
 
 

9. Bp 神经网络的简单实现

 
 

   
   

    
    

   
   
   
   

    
    

     
     from keras.models 
     
     import Sequential 
     
     #导入模型
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     from keras.layers 
     
     import Dense 
     
     #导入bp层
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     train_x,train_y 
     
     #训练集
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     test_x,text_y 
     
     #测试集
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model=Sequential() 
     
     #初始化模型
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.add(Dense(input_dim=
     
     3,output_dim=
     
     3,activation=
     
     'sigmoid'，init=
     
     'uniform'))) 
     
     #添加一个隐含层，注：只是第一个隐含层需指定input_dim
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.add(Dense(
     
     1,activation=
     
     'sigmoid')) 
     
     #添加输出层
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.compile(loss=
     
     'binary_crossentropy', optimizer=
     
     'sgd')  
     
     # 编译，指定目标函数与优化方法
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.fit(train_x,train_y ) 
     
     # 模型训练
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     model.evaluate(test_x,text_y ) 
     
     #模型测试