原文地址
介紹完了優化器和目標函數，那么剩下的就是訓練模型了。這一小節，我們來看一下Keras的Models是如何使用的。Keras可以建立兩種模型，一種是線性疊加的，層與層之間是全連接的方式，一個輸入，一個輸出；另外一種是圖型的，輸入與輸出數量任意，并且可以指定層與層之間的部分連接方式。

一、Sequential（序貫模型）方法及屬性介紹

model = keras.models.Sequential()  

序貫模型就是把每一層按照次序疊加起來，每層之間采用全連接方式。下面看一下對象model都有哪些方法。
1 add(layer):往model里邊增加一層
2 compile(optimizer, loss, class_model=”categorical”):
參數：

• optimizer：指定模型訓練的優化器；
• loss：目標函數；
• class_mode: ”categorical”和”binary”中的一個，只是用來計算分類的精確度

3 fit(X, y, batch_size=128, nb_epoch=100, verbose=1, validation_split=0,****validation_data=None,shuffle=True,show_accuracy=False,callbacks=[],****class_weight=Noe, sample_weight=None)****:用于訓練一個固定迭代次數的模型**
返回：記錄字典，包括每一次迭代的訓練誤差率和驗證誤差率；

參數：

X：訓練數據
y : 標簽
batch_size : 每次訓練和梯度更新塊的大小。
nb_epoch: 迭代次數。
verbose : 進度表示方式。0表示不顯示數據，1表示顯示進度條，2表示用只顯示一個數據。
callbacks : 回調函數列表。就是函數執行完后自動調用的函數列表。
validation_split : 驗證數據的使用比例。
validation_data : 被用來作為驗證數據的(X, y)元組。會代替validation_split所劃分的驗證數據。
shuffle : 類型為boolean或 str(‘batch’)。是否對每一次迭代的樣本進行shuffle操作（可以參見博文Theano學習筆記01--Dimshuffle()函數）。’batch’是一個用于處理HDF5（keras用于存儲權值的數據格式）數據的特殊選項。
show_accuracy:每次迭代是否顯示分類準確度。
class_weigh : 分類權值鍵值對。原文：dictionary mapping classes to a weight value, used for scaling the lossfunction (during training only)。鍵為類別，值為該類別對應的權重。只在訓練過程中衡量損失函數用。
sample_weight : list or numpy array with1:1 mapping to the training samples, used for scaling the loss function (duringtraining only). For time-distributed data, there is one weight per sample pertimestep, i.e. if your output data is shaped(nb_samples, timesteps, output_dim), your mask should be of shape(nb_samples, timesteps, 1). This allows you to maskout or reweight individual output timesteps, which is useful in sequence tosequence learning.

4 evalute(X, y, batch_size=128, show_accuracy=False,****verbose=1, sample_weight=None)****: 展示模型在驗證數據上的效果
返回：誤差率或者是(誤差率，準確率)元組（if show_accuracy=True）
參數：和fit函數中的參數基本一致，其中verbose取1或0，表示有進度條或沒有

5 predict(X, batch_size=128, verbose=1): 用于對測試數據的預測
返回：對于測試數據的預測數組
參數：和fit函數中的參數一樣。

6 predict_classes(X, batch_size=128, verbose=1): 用于對測試數據的分類預測
返回：對于測試數據的預測分類結果數組
參數：和evaluate函數中的參數一樣。

7 train_on_batch(X, y, accuracy=False, class_weight=None, sample_weight=None): 對數據塊進行計算并梯度更新
返回：數據塊在現有模型中的誤差率或者元組(if show_accuracy=True）
參數：和evaluate函數中的參數一樣。

8 test_on_batch(X, y, accuracy=False, sample_weight=None): 用數據塊進行性能驗證
返回：數據塊在現有模型中的誤差率或者元組（誤差率，準確率）（if show_accuracy=True）
參數：和evaluate函數中的參數一樣。

9 save_weights (fname, overwrite=False): 將所有層的權值保存為HDF5文件
返回：如果overwrite=False并且fname已經存在，則會拋出異常。
參數：

fname: 文件名
overwrite : 如果已經存在，是否覆蓋原文件。
10 load_weights(fname): 加載已經存在的權值數據到程序中的模型里面。文件中的模型和程序中的模型結構必須一致。在compile之前或之后都可以調用load_ weights函數。
參數： fname文件名

二、Sequential（序貫模型）舉例說明

from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation  
from keras.optimizers import SGD  
   
model = Sequential()  
model.add(Dense(2, init='uniform', input_dim=64))  
model.add(Activation('softmax'))  
   
model.compile(loss='mse', optimizer='sgd')  
   
''''' 
Verbose=1或2的結果演示 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=1)  
# 輸出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
37800/37800 [==============================] - 7s - loss: 0.0385 
Epoch 1 
37800/37800 [==============================] - 8s - loss: 0.0140 
Epoch 2 
10960/37800 [=======>......................] - ETA: 4s - loss: 0.0109 
'''  
   
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=2)  
# 輸出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
loss: 0.0190 
Epoch 1 
loss: 0.0146 
Epoch 2 
loss: 0.0049 
'''  
   
''''' 
show_accuracy=True的演示，會輸出誤差率-正確率 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=2, show_accuracy=True)  
# 輸出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
loss: 0.0190 - acc.: 0.8750 
Epoch 1 
loss: 0.0146 - acc.: 0.8750 
Epoch 2 
loss: 0.0049 - acc.: 1.0000 
'''  
   
''''' 
validation_split=0.1表示總樣本的10%用來進行驗證。比如下方實例，樣本總數42000，則驗證數據占10%，即4200，剩余的37800為訓練數據。 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, validation_split=0.1, show_accuracy=True, verbose=1)  
# outputs  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
37800/37800 [==============================] - 7s - loss: 0.0385 - acc.:0.7258 - val. loss: 0.0160 - val. acc.: 0.9136 
Epoch 1 
37800/37800 [==============================] - 8s - loss: 0.0140 - acc.:0.9265 - val. loss: 0.0109 - val. acc.: 0.9383 
Epoch 2 
10960/37800 [=======>......................] - ETA: 4s - loss: 0.0109 -acc.: 0.9420