Keras与模型训练

Keras 是一个用 Python 编写的高级神经网络 API，它能够以TensorFlow为后端，优势是：

-允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
-同时支持卷积神经网络和循环神经网络，以及两者的组合。
-在 CPU 和 GPU 上无缝运行。
-它提供一致且简单的 API，是为人类而非机器设计的API
-独立的、完全可配置的模块构成的序列或图，特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
-模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

Keras 的核心数据结构是 model，一种组织网络层的方式。

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

#Sequential 模型
model = Sequential()  
#堆叠模型
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
#配置学习过程
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
#训练迭代
model.fit(x_train, y_train, epochs=5, batch_size=32)
#评估模型性能
loss_and_metrics = model.evaluate(x_test, y