Keras 深度学习框架中文文档

原创
2016/09/12 16:54
阅读数 2.2K

Keras深度学习框架中文文档

快速开始Keras

  Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。Sequential模型如下:

from keras.models import Sequential

model = Sequential()

  将一些网络层通过.add()堆叠起来,就构成了一个模型:

from keras.layers.core import Dense, Activation

model.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))

  完成模型的搭建后,我们需要使用.compile()方法来编译模型:

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

  编译模型时必须指明损失函数和优化器,如果你需要的话,也可以自己定制损失函数。Keras的一个核心理念就是使得事情在简单的同时,保证用户对他们希望做的事情有足够的控制力度(最绝对的控制来自于源代码的可扩展性)

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

  完成模型编译后,我们在训练数据上按batch进行一定次数的迭代训练,以拟合网络:

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

  当然,我们也可以手动将一批批的数据送入网络中训练,这时候需要使用:

model.train_on_batch(X_batch, Y_batch)

  随后,我们可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

  或者,我们可以使用我们的模型,对新的数据进行预测:

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)
展开阅读全文
打赏
0
8 收藏
分享
加载中
更多评论
打赏
0 评论
8 收藏
0
分享
返回顶部
顶部