做一個深度學習的項目，開始必須要搭建一個模型，我們通過代碼逐步了解keras的模型的搭建

深度學習模型

定義模型

序貫模型是多個網絡層的線性堆疊，也就是“一條路走到黑”。

1. 可以通過向Sequential模型傳遞一個layer的list來構造該模型
2. 也可以通過.add()方法一個個的將layer加入模型中

模型需要知道輸入數據的shape，因此，Sequential的第一層需要接受一個關于輸入數據shape的參數.

1. 傳遞一個input_shape的關鍵字參數給第一層
2. 有些2D層，如Dense，支持通過指定其輸入維度input_dim來隱含的指定輸入數據shape。
3. 如果你需要為輸入指定一個固定大小的batch_size（常用于stateful RNN網絡），可以傳遞batch_size參數到一個層中，例如你想指定輸入張量的batch大小是32，數據shape是（6，8），則你需要傳遞batch_size=32和input_shape=(6,8)

編譯

在訓練模型之前，我們需要通過compile來對學習過程進行配置。compile接收三個參數：

1. 優化器optimizer：該參數可指定為已預定義的優化器名，如rmsprop、adagrad，或一個Optimizer類的對象，詳情見optimizers
2. 損失函數loss：該參數為模型試圖最小化的目標函數，它可為預定義的損失函數名，如categorical_crossentropy、mse，也可以為一個損失函數。詳情見losses
3. 指標列表metrics：對分類問題，我們一般將該列表設置為metrics=['accuracy']。指標可以是一個預定義指標的名字,也可以是一個用戶定制的函數.指標函數應該返回單個張量,或一個完成metric_name - > metric_value映射的字典.

# For a multi-class classification problem
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# For a binary classification problem
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# For a mean squared error regression problem
model.compile(optimizer='rmsprop',
              loss='mse')

# For custom metrics
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])

快速開始序貫（Sequential）模型

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


from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
import pandas as pd
import matplotlib.pyplot as plt

# 定義模型
model = Sequential()

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

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

model.summary()
SVG(model_to_dot(model,show_shapes=True).create(prog='dot', format='svg'))

Layer (type) Output Shape Param #

dense_9 (Dense) (None, 32) 25120

activation_6 (Activation) (None, 32) 0

dense_10 (Dense) (None, 10) 330

activation_7 (Activation) (None, 10) 0

Total params: 25,450
Trainable params: 25,450
Non-trainable params: 0

模型