keras模型第一课 Getting started with the Keras Sequential model

Getting started with the Keras Sequential model

翻译原文：https://keras.io/getting-started/sequential-model-guide/

Sequential 是layers的线性叠加

可以通过在 Sequential 中列出一系列的 layer 实例来构建模型

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

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

同样地，可通过 .add() 添加层来构建模型（两种方式构建的模型相同）

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

Specifying the input shape

模型需要明确输入数据是什么样的shape，因此在 Sequential 的首层需要接受输入数据的shape信息（并且也是唯一需要接受此shape的层，其他层会自动得到shape信息），以下有几种可行的方法输入shape信息

1 为第一层设定 input_shape 参数，参数值的类型为元组（数值为整数或者None, None表示任何正整数）在 input_shape 中，不需要包括batch的维度
2 对于2D层或3D层，可以通过设定 input_dim 参数
3 如果需要为输入数据指定确定的batch大小，可通过设定 batch_size 参数。假如 batch_size=32，input_shape=(6, 8)，则指定任何输入数据的shape需要满足（32，6，8）

以下两种方式等同

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

model = Sequential()
model.add(Dense(32, input_dim=784))

Compilation

在训练模型之前，必要要配置学习过程，其通过 compile 方法来配置，其三个参数如下：
1 optimizer 其值可以为存在优化算法的字符串，也可以是Optimizer类的实例,具体可看optimizers
2 loss 此为模型需要最小化的损失函数，其值可以为存在的损失函数的字符串，也可以是一个损失函数，具体可看losses
3 metrics 其值为列表，列表中元素是需要得到的指标，指标可以为存在的指标的字符串，也可以是自定义的度量函数,具体可看metrics

# 对于多分类问题
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 对于二分类问题
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 对于均方误差回归问题
model.compile(optimizer='rmsprop',
              loss='mse')

# 对于自定义的度量函数
import keras.backend as K

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

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

Training

keras 模型在numpy格式的输入数组和标签上训练，使用 fit 函数开始训练，其中参数详情查看The Sequential model API

# 训练一个二分类模型

model = Sequential()
model.add(Dense(32, input_dim=100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 产生一些numpy数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 训练模型，batch大小为32
model.fit(data, labels, epochs=10, batch_size=32)

# 构建一个10分类的模型
import keras

model = Sequential()
model.add(Dense(32, input_dim=100, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 产生一些numpy数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# 将labels进行one-hot编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练模型，batch大小为32
model.fit(data, one_hot_labels, epochs=10, batch_size=32)