Keras一知片解

在训练时，数据会被随机打乱吗？

如果model.fit中的参数suffle=True时，会随机打算每一次epoch的数据。（默认打乱）
但是验证数据默认不会打乱。

result = model.fit(data, label, batch_size=50,nb_epoch=35,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)

shuffle和validation_split的顺序

模型的fit函数有两个参数，shuffle用于将数据打乱，validation_split用于在没有提供验证集的时候，按一定比例从训练集中取出一部分作为验证集

这里有个陷阱是，程序是先执行validation_split，再执行shuffle的，所以会出现这种情况：

假如你的训练集是有序的，比方说正样本在前负样本在后，又设置了validation_split，那么你的验证集中很可能将全部是负样本

同样的，这个东西不会有任何错误报出来，因为Keras不可能知道你的数据有没有经过shuffle，保险起见如果你的数据是没shuffle过的，最好手动shuffle一下

利用h5py保存和读取keras模型的代码

import h5py from keras.models import model_from_json  json_string = model.to_json()  open('my_model_architecture.json','w').write(json_string)  model.save_weights('my_model_weights.h5')   #读取model  model = model_from_json(open('my_model_architecture.json').read())  model.load_weights('my_model_weights.h5')  

输入层、卷积层、激活函数、池化层、全连接层

卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC

(1)卷积层：用它来进行特征提取
(2)池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征
池化操作一般有两种，一种是Avy Pooling,一种是max Pooling
(3)全连接层：连接所有的特征，将输出值送给分类器（如softmax分类器）。

Source

Keras中文文档
ubuntu中利用h5py保存训练好的keras 神经网络模型
用Keras搭建, 编译和训练神经网络时，常见问题
深度学习中卷积和池化的一些总结
卷积神经网络_（1）卷积层和池化层学习