Keras Sequential 顺序模型（一）

在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型，戳：关于Keras模型

一、创建顺序模型Sequential()

顺序模型是多个网络层的线性堆叠。

你可以通过将网络层实例的列表传递给 Sequential 的构造器，来创建一个 Sequential 模型：

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

也可以简单地使用 .add() 方法将各层添加到模型中：

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

1. 指定输入数据的尺寸

模型需要知道它所期望的输入的尺寸，因此顺序模型中的第一层（且只有第一层，因为下面的层可以自动地推断尺寸）需要接收关于其输入尺寸的信息。有几种方法来做到这一点：

• input_shape

传递一个 input_shape 参数给第一层。它是一个表示尺寸的元组 (一个整数或 None 的元组，其中 None 表示可能为任何正整数)。在 input_shape 中不包含数据的 batch 大小。

• input_dim

某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸，某些 3D 时序层支持 input_dim 和 input_length 参数。

• batch_size

如果你需要为你的输入指定一个固定的 batch 大小（这对 stateful RNNs 很有用），你可以传递一个 batch_size 参数给一个层。如果你同时将 batch_size=32 和 input_shape=(6, 8) 传递给一个层，那么每一批输入的尺寸就为 (32，6，8)

下面的代码片段是等价的：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
#tuple的元素之间用逗号隔开
#只有1个元素的tuple定义时必须加一个逗号,否则定义的不是tuple而是一个数

model = Sequential()
model.add(Dense(32, input_dim=784))

2.模型编译

在训练模型之前，您需要配置模型的学习过程，这是通过 compile 方法完成的。它接收三个参数：

• 优化器 optimizer
  它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是Optimizer 类的实例
• 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，也可以是一个自定义的目标函数
• 评估标准 metrics
  对于任何分类问题，你都可以将其设置为 metrics = [‘accuracy’]。评估标准可以是现有评估标准的字符串标识符，也可以是自定义的评估标准函数

3.模型训练

Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练，通常会使用 fit 函数，下面的简单例子使用的是train_on_batch函数。

二、案例：搭建Regression回归神经网络

神经网络可以用来解决回归问题 (regression)，例如给下面一组数据，可以搭建神经网络用一条线来对数据进行拟合，并可以预测新输入 x 的输出值

先放上完整的模型和结果

# 19/07/13-Regressor example

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.models import Sequential
from keras.layers import Dense
import matplotlib