keras_序惯模型（Sequential）

序惯模型是多个网络层的线性堆叠。可以通过Sequential模型传递一个layer的list来构造该模型：

from keras.models import Sequentialfrom keras.layers import Dense,Activationmodel =Sequential([Dense(32,units=784),Activation('relu'),Dense(10)Activation('softmax'), ])

也可以通过.add()方法一个个的将模型放入：

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

指定输入数据的shape

模型需要知道数据的shape，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层可以自动推导出中间数据的shape。

• 传递一个input_shape的关键字给第一层，input_shape是一个tuple类型数据，其中也可以填None，如果填入None则表示此位置是任何正整数。batch大小不包含其中。
• 有些2D层，如Dense支持通过指定其输入维度input_dim来隐含指定输入数据shape。一些3D的时域支持通过参数input_dim和input_length来指定输入shape.
• 如果需要为输入指定一个固定大小的batch_size，可以传递batch_size参数到一个层中，例如你想指定输入张量的batch大小是32，数据shape是（6，8），则你需要传递batch_size=32和input_shape=(6,8)。

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

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

编译

在模型训练前，我们需要通过compile来对学习过程进行配置。compile接受三个参数：

• 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类对象，详情见optimizer
• 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数，可见losses
• 指标列表metrics：对分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。指标可以使一个预定义指标名字，也可以是一个用户定制的函数，指标函数应该返回单个张量，或一个完成metric_name->metric_vallue映射的字典，请参考性能评估

# For a multi-class classification problemmodel.compile(optimizer='rmsprop',              loss='categorical_crossentropy',              metrics=['accuracy'])# For a binary classification problemmodel.compile(optimizer='rmsprop',              loss='binary_crossentropy',              metrics=['accuracy'])# For a mean squared error regression problemmodel.compile(optimizer='rmsprop',              loss='mse')# For custom metricsimport keras.backend as Kdef mean_pred(y_true, y_pred):    return K.mean(y_pred)model.compile(optimizer='rmsprop',              loss='binary_crossentropy',              metrics=['accuracy', mean_pred])

训练

keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数，该函数详情[见这里](http://keras-cn.readthedocs.io/en/latest/models/sequential/)。例子：

#for a single-input model with 2 classes(二分类)model =Sequential()model.add(Dense(32,activation='relu',input_dim=100))model.add(Dense(1,activation='sigmoid'))model.compile(optimizer='rmsprop'        loss = 'binary_crossentropy'        metrics = ['accuracy'])#Generate dummy dataimport numpy as npdata=np.random.random((1000,100))labels = np.random.randint(2,size(1000,1))#Train the model,iterating on the data in batches of 32 samplesmodel.fit(data,labels,epoches=10,batch_size=32)

# For a single-input model with 10 classes (categorical classification):model = Sequential()model.add(Dense(32, activation='relu', input_dim=100))model.add(Dense(10, activation='softmax'))model.compile(optimizer='rmsprop',              loss='categorical_crossentropy',              metrics=['accuracy'])# Generate dummy dataimport numpy as npdata = np.random.random((1000, 100))labels = np.random.randint(10, size=(1000, 1))# Convert labels to categorical one-hot encodingone_hot_labels = keras.utils.to_categorical(labels, num_classes=10)# Train the model, iterating on the data in batches of 32 samplesmodel.fit(data, one_hot_labels, epochs=10, batch_size=32)

例子：
在Keras代码包的examples文件夹中，你将找到使用真实数据的示例模型：

• CIFAR10 小图片分类：使用CNN和实时数据提升

• MNIST手写数字识别：使用多层感知器和CNN

  基于多层感知机的softmax分类：

from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activationfrom keras.optimizers import SGD# Generate dummy dataimport numpy as npx_train = np.random.random((1000, 20))y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)x_test = np.random.random((100, 20))y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)model = Sequential()# Dense(64) is a fully-connected layer with 64 hidden units.# in the first layer, you must specify the expected input data shape:# here, 20-dimensional vectors.model.add(Dense(64, activation='relu', input_dim=20))model.add(Dropout(0.5))model.add(Dense(64, activation='relu'))model.add(Dropout(0.5))model.add(Dense(10, activation='softmax'))sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy',              optimizer=sgd,              metrics=['accuracy'])model.fit(x_train, y_train,          epochs=20,          batch_size=128)score = model.evaluate(x_test, y_test, batch_size=128)

类似VGG的卷积神经网络：

import numpy as npimport kerasfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Flattenfrom keras.layers import Conv2D, MaxPooling2Dfrom keras.optimizers import SGD# Generate dummy datax_train = np.random.random((100, 100, 100, 3))y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)x_test = np.random.random((20, 100, 100, 3))y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)model = Sequential()# input: 100x100 images with 3 channels -> (100, 100, 3) tensors.# this applies 32 convolution filters of size 3x3 each.model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))model.add(Conv2D(32, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(10, activation='softmax'))sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd)model.fit(x_train, y_train, batch_size=32, epochs=10)score = model.evaluate(x_test, y_test, batch_size=32)