Keras快速入门——Sequential模型

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)