Keras——Tensorflow

keras中主要模型是Sqquential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 Sequentialmodel = Sequential()

将一些网络层通过.add()堆叠起来，构成一个模型：

from keras.layers import Dense,Activationmodel.add(Dense(units=64,input_dim=100))model.add(Activation("relu"))model.add(Dense(unitx=10))model.add(Activation("softmax"))

完成模型搭建后，需要使用.compile()方法来编译模型：

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

编译时必须指明损失函数和优化器，如果你需要的化，可以自己指定损失函数。

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

完成编译模型后，我们在训练数据上按batch进行一定次数的迭代来训练网络

model.fit(x_train,y_train,epochs=5,batch_size=32)

也可以手动将一个个batch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，我们使用一行代码对我们的模型进行评估，看模型是否满足我们的要求：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者使用新模型，对数据进行预测：

calsses = model.predict(x_test,batch_size=128)