使用keras为什么accuracy一直为0_技术分享|深度学习之Keras简介与使用

鲁稼苇

数据技术处

随着大数据技术的发展，人们都意识到了数据的重要性。比如根据客户的操作行为进行智能营销，根据客户资产信息与相关关系人资产信息进行智能风控，根据交易行为进行智能反洗钱。而要从海量的数据中挖掘出这些潜在的信息，就需要借助于机器学习与深度学习算法。然而深度学习模型的构建，若是完全依赖自己从头开发，是非常耗时耗力的，且目前大量新颖而又效果优异的模型层出不穷，快速复现一个深度学习模型并开始训练才是王道。因此借助于已有的函数库，快速上手是必不可少的。

Keras原来是独立的一个库包，后来被纳入了tensorflow之中。它和tensorflow一样，也是个python库，不过里面都是神经网络的东西。深度学习要训练一个模型，而一个模型中有很多小组件。比如

1. 用什么激活函数，relu还是sigmoid；

2. 用什么优化器，gradient descent还是adam；

3. 要不要加个正则避免过拟合，用L2 regularization呢还是dropout呢；

4. 要不要用batch normalization；

5. .....

这些都自己手写的话，费时费力。而Keras已经把这些小组件写好了，只需要调用就ok了！

Keras中搭建一个模型，然后训练、测试一共分以下几步：

1. 定义模型；

2. 初始化并编译模型；

3. 用训练集进行调试；

4. 用测试集进行测试。

最终训练得到的模型，也可以通过调用函数绘制出来。

因此本文将从如上构建模型的几个阶段来介绍Keras的使用。

一、模型定义

def HappyModel(input_shape):

    # 根据输入的矩阵形状input_shape:(height, width, channels)，定义输入变量

    X_input = Input(input_shape)

    # Zero-Padding: 对X_input周围填充0

    X = ZeroPadding2D((3, 3))(X_input)

    # 7*7步长为1的卷积 -> Batch Normalization -> RELU激活函数 

    X = Conv2D(32, (7, 7), strides = (1, 1), name = 'conv0')(X)

    X = BatchNormalization(axis = 3, name = 'bn0')(X)

    X = Activation('relu')(X)

    # 2*2的MAXPOOL

    X = MaxPooling2D((2, 2), name='max_pool')(X)