Keras 快速通关

官方网址：https://keras-zh.readthedocs.io/

快速开始

搭建模型框架

from keras.models import Sequential#导入模块

model = Sequential()

使用.add()来堆叠模型

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))#添加全连接层（设置输出为64/激活函数为relu/输入为100）
model.add(Dense(units=10, activation='softmax'))#添加全连接层(设置输出为10,激活函数为softmax‘分类常用输出层激活函数’)

配置学习方式

#简单的配置方式
model.compile(loss='categorical_crossentropy',#配置损失函数
              optimizer='sgd',#配置优化器
              metrics=['accuracy'])#
#必要的时候可以采用以下方式设置参数
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

开始训练

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
#批量训练
model.fit(x_train, y_train, epochs=5, batch_size=32)#开始训练（训练数据/标签/训练几遍/每一次训练多少数据）

#你可以手动地将批次的数据提供给模型
model.train_on_batch(x_batch, y_batch)

评估模型

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) #评估模型（测试数据/标签/每一次训练几个数据）

对新数据生成预测

classes = model.predict(x_test, batch_size=128)#生成预测（数据集，每一次训练几个数据）

进阶的函数结构

和之前一样只不过语法变了一下而已

引入模组

from keras.models import Model

基本模式

from keras.models import Model
from keras.layers import Input, Dense
inputs = Input(shape=(784,))


output_1 = Dense(64, activation='relu')(inputs)
output_2 = Dense(64, activation='relu')(output_1)
predictions = Dense(10, activation='softmax')(output_2)

# 这部分创建了一个包含输入层和三个全连接层的模型
model = Model(inputs=inputs, outputs=predictions)

构建多输入多输出模型

连接不同的输入

#在这里是将两个完全不同的神经网络的最后输出层连接起来，作为输入输入x层
x = keras.layers.concatenate([lstm_out, auxiliary_input])

定义模型

#此时传入数据时数据必须一一对应
model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

训练模型

model.compile(optimizer='rmsprop',
              loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
              loss_weights={'main_output': 1., 'aux_output': 0.2})

# 然后使用以下方式训练：
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': headline_labels, 'aux_output': additional_labels},
          epochs=50, batch_size=32)
#或者采用这种进行训练
model.fit([headline_data, additional_data], [headline_labels, additional_labels],
          epochs=50, batch_size=32)#此时数据必须一一对应

推理数据

model.predict({'main_input': headline_data, 'aux_input': additional_data})
#或者
pred = model.predict([headline_data, additional_data])

保存网络

model.save('my_model.h5')   # 保存网络并命名，但你需要pyh5这个组件

读取网络

model = load_model('my_model.h5') #读取网络