[keras]1.多层感知机实现

“`
创建于星期二星期六14:42:13 2018 @author：yuyangyg“”“＃baseline MLP for mnist dataset import numpy from keras.datasets import mnist from keras.models import从keras.layers导入序列从keras.layers进口密度从keras.utils进口退出进口np_utils＃修复随机种子的重现性#seed = 7＃numpy.random.seed（seed）#load data（X_train，y_train），（X_test，y_test）= mnist.load_data（） ＃将28 * 28图像平铺为每个图像的784矢量num_pixels = X_train.shape [1] * X_train.shape [2] X_train = X_train.reshape（X_train.shape [0]，num_pixels）.type（“float32 “）X_test = X_test.reshape（X_test.shape [0]，num_pixels）.astype（”float32“）＃将输入从0-255归一化为0-1 X_train = X_train / 255 X_test = X_test / 255＃一个热门编码输出将标签变为向量y_train = np_utils.to_categorical（y_train）y_test = np_utils.to_categorical（y_test）num_classes = y_test.shape [1] #define baseline model def baseline_model（）： ＃crea te模型

model = Sequential（）
model.add（Dense（num_pixels，input_dim = num_pixels，kernel_initializer =“normal”，activation =“relu”））
model.add（Dense（num_classes，kernel_initializer =“normal”，activation =“softmax”） ）    ＃编译模型    model.compile（loss =“categorical_crossentropy”，optimizer =“adam”，metrics = [“accuracy”]）    return model ＃建立模型模型= baseline_model（）＃拟合模型model.fit（X_train，y_train ，validation_data =（X_test，y_test），epochs = 10，batch_size = 200，verbose = 2）＃最终评估模型评分= model.evaluate（X_test，y_test，verbose = 0）print（“Baseline Error：％。2f %% “％（100  - 分数[1] * 100））```

• 1s - 损失：0.0250 - ACC：0.9937 - VAL _ ACC：0.9788大纪元7月10日 - 1秒 - 损失：0.0192 - ACC：0.9952 - VAL _ ACC： 0.9797大纪元8/10 - 1秒 - 损失：0.0145 - ACC：0.9967 - VAL 损失：0.0578 - VAL ACC：0.9818大纪元9月10日 - 1秒 - 损失：0.0117 - VAL 损失：0.0653 - VAL ACC：0.9798 大纪元10/10 - 1秒-损失：0.0078 - ACC：0.9984 - val_loss：0.0588 - val_acc：0.9827 基线误差：1.73％“`

2.二维卷积层Conv2D keras.layers。 convolutional.Conv2D（过滤器，内核大小，步幅=（1,1），填充= ‘有效’，数据格式=无，扩张率=（1,1），活化=无，使用偏压=真， kernel _ initializer =’glorot _ uniform’，偏见

_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

二维卷积层对二维输入进行滑动窗卷积，当使用该层作为第一层时，应提供input_shape参数。

filters：卷积核的数目；

kernel_size：卷积核的尺寸；

strides：卷积核移动的步长，分为行方向和列方向；

padding：边界模式，有“valid”，“same”或“full”，full需要以theano为后端；

其他参数请参看Keras官方文档。

1. 二维池化层MaxPooling2D
   keras.layers.pooling.MaxPooling2D(pool_size=(2,2), strides=None, padding=’valid’, data_format=None)

对空域信号进行最大值池化。

pool_size：池化核尺寸；

strides：池化核移动步长；

padding：边界模式，有“valid”，“same”或“full”，full需要以theano为后端；

其他参数请参看Keras官方文档。

1. Activation层
   keras.layers.core.Activation(activation)

激活层对一个层的输出施加激活函数。

预定义激活函数：

softmax，softplus，softsign，relu，tanh，sigmoid，hard_sigmoid，linear等。

1. Dropout层
   keras.layers.core.Dropout(p)

为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（p）的输入神经元连接，Dropout层用于防止过拟合。

1. Flatten层
   keras.layers.core.Flatten()

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

例子：

model =Sequential()

model.add(Convolution2D(64,3, 3, border_mode=’same’, input_shape=(3, 32, 32)))

now:model.output_shape == (None, 64, 32, 32)

model.add(Flatten())

now:model.output_shape == (None, 65536)

7.Dense层全连接层
keras.layers.core.Dense(units,activation=None, use_bias=True, kernel_initializer=’glorot_uniform’,bias_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None,activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

units：输出单元的数量，即全连接层神经元的数量，作为第一层的Dense层必须指定input_shape。

1. Sequential模型compile方法
   compile(self,optimizer, loss, metrics=[], sample_weight_mode=None)

编译用来配置模型的学习过程，其参数有：

optimizer：字符串（预定义优化器名）或优化器对象；

loss：字符串（预定义损失函数名）或目标函数；

metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=[‘accuracy’]；

1. Sequential模型fit方法
   fit(self,x, y, batch_size=32, epochs=10, verbose=1, callbacks=None,validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,sample_weight=None, initial_epoch=0)

verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录；

validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等；

validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。

1. Sequential模型evaluate方法
   evaluate(self,x, y, batch_size=32, verbose=1, sample_weight=None)