Keras模块简述

17年8月份第3篇日志；
最近忙里偷闲开始进行一些数据挖掘的探索，不过我还有两年的充电时间，如何高效的利用这两年的时间，提高自己的技能，可以说成为了我实践的中重点。
Keras主要包括14个模块，本文主要对Models、layersInitializations、Activations、Objectives、Optimizers、Preprocessing、metrics共计8个模块分别展开介绍，并通过一个简单的Bp神经网络说明各个模块的作用。
1、Model
包：keras.models
这是Keras中最主要的一个模块，用于对各个组件进行组装 :

from keras.models import Sequentialmodel=Sequential() #初始化模型model.add(...) #可使用add方法组装组件

2、layer
包：keras.layers
该模块主要用于生成神经网络层，包含多种类型，如Core layers、Convolutional layers等
eg:

from keras.layers import Dense #Dense表示Bp层model.add(Dense(input_dim=3,output_dim=5)) #加入隐含层

3、 Initializations
包：keras.initializations
该模块主要负责对模型参数（权重）进行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等
详细说明：http://keras.io/initializations/
eg:

model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入带初始化（uniform）

4、Activations
包：keras.activations、keras.layers.advanced_activations（新激活函数）
该模块主要负责为神经层附加激活函数，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比较新的激活函数
详细说明：http://keras.io/activations/
eg:

model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入带激活函数（sigmoid）的隐含层

或者

model.add(Dense(input_dim=3,output_dim=5)) model.add(Activation('sigmoid'))

5、Objectives
包：keras.objectives
该模块主要负责为神经网络附加损失函数，即目标函数。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss
注：目标函数的设定是在模型编译阶段
详细说明：http://keras.io/objectives/
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目标函数

6、Optimizers
包：keras.optimizers
该模块主要负责设定神经网络的优化方法，如sgd。
注：优化函数的设定是在模型编译阶段
详细说明：http://keras.io/optimizers/
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指优化方法

7、metrics
包：keras.metrics
与sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的评价方法
eg:

predict=model.predict_classes(test_x) #输出预测结果keras.metrics.binary_accuracy(test_y,predict) #计算预测精度

8、简单的bp神经网络的搭建

from keras.models import Sequential #导入模型from keras.layers import Dense #导入bp层train_x,train_y #训练集test_x,text_y #测试集model=Sequential() #初始化模型model.add(Dense(input_dim=3,output_dim=3,activation='sigmoid'，init='uniform'))) #添加一个隐含层，注：只是第一个隐含层需指定input_dimmodel.add(Dense(1,activation='sigmoid')) #添加输出层model.compile(loss='binary_crossentropy', optimizer='sgd')  # 编译，指定目标函数与优化方法model.fit(train_x,train_y ) # 模型训练model.evaluate(test_x,text_y ) #模型测试