keras

Keras设计了俩种构建模型的方式函数式模型API和顺序式模型API

顺序式模型API构建模型示例：

from keras.models import Sequential   #从models导入Sequential

model = Sequential()

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))

model.add(Dense(units=10, activation='softmax'))

model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

model.fit(data,labels, batch_size=32, nb_epoch=10, verbose=1)

主要配置包括函数式模型API构建模型示例：

from keras.layers import Input, Dense

from keras.models import Model

# 这部分返回一个张量

inputs = Input(shape=(784,))

# 层的实例是可调用的，它以张量为参数，并且返回一个张量

x = Dense(64, activation='relu')(inputs)

x = Dense(64, activation='relu')(x)

predictions = Dense(10, activation='softmax')(x)

# 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)

model.compile(optimizer='rmsprop',

loss='categorical_crossentropy',

metrics=['accuracy'])

model.fit(data, labels)# 开始训练

模型编译参数设置

主要配置包括：

loss：损失函数–MSE、KL散度、交叉熵、对数损失函数等；源码：losses.py

optimizer：优化函数–常用SGD、RMSprop、Adam等;源码：optimizers.py

metrics：模型评估方法–准确率、AUC、F-score、包括损失函数代表的指标；源码：metrics.py

模型训练参数设置