Keras主要包括14個模塊，本文主要對Models、layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics共計8個模塊分別展開介紹，并通過一個簡單的Bp神經(jīng)網(wǎng)絡說明各個模塊的作用。?
1. Model?
包：keras.models?
這是Keras中最主要的一個模塊，用于對各個組件進行組裝?
eg:

from keras.models import Sequential

model=Sequential() #初始化模型

model.add(...) #可使用add方法組裝組件

2. layers?
包：keras.layers?
該模塊主要用于生成神經(jīng)網(wǎng)絡層，包含多種類型，如Core layers、Convolutional layers等?
eg:

from keras.layers import Dense #Dense表示Bp層

model.add(Dense(input_dim=3,output_dim=5)) #加入隱含層

3. Initializations?
包：keras.initializations?
該模塊主要負責對模型參數(shù)（權重）進行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等?
詳細說明：http://keras.io/initializations/?
eg:

model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入帶初始化（uniform）的隱含層

4. Activations?
包：keras.activations、keras.layers.advanced_activations（新激活函數(shù)）?
該模塊主要負責為神經(jīng)層附加激活函數(shù)，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比較新的激活函數(shù)?
詳細說明：http://keras.io/activations/?
eg:

model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入帶激活函數(shù)（sigmoid）的隱含層

Equal to:

model.add(Dense(input_dim=3,output_dim=5))

model.add(Activation('sigmoid'))

5. Objectives?
包：keras.objectives?
該模塊主要負責為神經(jīng)網(wǎng)絡附加損失函數(shù)，即目標函數(shù)。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss?
注：目標函數(shù)的設定是在模型編譯階段?
詳細說明：http://keras.io/objectives/?
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目標函數(shù)

6. Optimizers?
包：keras.optimizers?
該模塊主要負責設定神經(jīng)網(wǎng)絡的優(yōu)化方法，如sgd。?
注：優(yōu)化函數(shù)的設定是在模型編譯階段?
詳細說明：http://keras.io/optimizers/?
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指優(yōu)化方法

7. Preprocessing?
包：keras.preprocessing.(image\sequence\text)?
數(shù)據(jù)預處理模塊，不過本人目前尚未用過?
8. metrics?
包：keras.metrics?
與sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的評價方法?
eg:

predict=model.predict_classes(test_x) #輸出預測結(jié)果

keras.metrics.binary_accuracy(test_y,predict) #計算預測精度

9. Bp 神經(jīng)網(wǎng)絡的簡單實現(xiàn)

from keras.models import Sequential #導入模型

from keras.layers import Dense #導入bp層

train_x,train_y #訓練集

test_x,text_y #測試集

model=Sequential() #初始化模型

model.add(Dense(input_dim=3,output_dim=3,activation='sigmoid'，init='uniform'))) #添加一個隱含層，注：只是第一個隱含層需指定input_dim

model.add(Dense(1,activation='sigmoid')) #添加輸出層

model.compile(loss='binary_crossentropy', optimizer='sgd') # 編譯，指定目標函數(shù)與優(yōu)化方法

model.fit(train_x,train_y ) # 模型訓練

model.evaluate(test_x,text_y ) #模型測試

總結(jié)

以上是生活随笔為你收集整理的深度学习--Keras总结的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。