Keras的核心数据结构是“模型”,Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。
1.模型搭建,将一些网络层通过.add() 堆叠起来
顺序模型的第1层需要接收关于模型的输入尺寸的信息
(1)传递一个input_shape给第一层,它是一个表示尺寸的元组(一个由整数或none组成的元组,none表示为任何正整数) 在我的攻击实验中是75
(2)某些2D层,通过input_dim指定输入尺寸
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))
#或者如下形式
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
2.使用.compile()方法编译模型,编译模型时必须指明损失函数和优化器,可以自己定制损失函数
优化器的字符串标识符,如 rmsprop
或 adagrad
,也可以是 Optimizer 类的实例。详见:optimizers。
- 损失函数 loss,模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符,如
categorical_crossentropy
或mse
,也可以是一个目标函数。详见:losses。 - 损失函数 loss,模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符,如
categorical_crossentropy
或mse
,也可以是一个目标函数。详见:losses。 - 评估标准 metrics。对于任何分类问题,你都希望将其设置为
metrics = ['accuracy']
。评估标准可以是现有的标准的字符串标识符,也可以是自定义的评估标准函数。
# 多分类问题
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# 二分类问题
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# 均方误差回归问题
model.compile(optimizer='rmsprop',
loss='mse')
# 自定义评估标准函数
import keras.backend as K
def mean_pred(y_true, y_pred):
return K.mean(y_pred)
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy', mean_pred])
3.迭代训练网络,在训练数据上按batch进行一定参数的迭代来训练网络
model.fit(x_train, y_train, epochs=5, batch_size=32)
当然,我们也可以手动将一个个batch数据送到网络中训练,这个时候需要使用
model.train_on_batch(x_batch, y_batch)
4.模型评估与预测,模型评估,看模型的指标是否满足我们的要求
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
预测,我们可以使用我们的模型,对新的数据进行预测:
classes = model.predict(x_test, batch_size=128)