keras入门

框架为 keras+tensorflow

几个重要过程：

1、下载数据集  load data

2、定义模型   define model

3、编译模型   compile model

4、拟合模型  fit model

5、评估模型  evaluate model

第一步：下载数据集 

设置随机种子，可以使得每次实验时的起始都一样，便于对比，也便于debug

第二步： 导入模型（必须包含numpy）

from keras.models import Sequentialfrom keras.layers import Denseimport numpy#fit random seed for reproducibilitynumpy.random.seed(种子)

第三步：使用numpy的loadtxt()函数导入下载好的数据，将数据分为输入X和输出Y

dataset=numpy.loadtxt('数据集名称',delimiter=",")#split into input(X) and output(Y)x=dataset[:,0:8]y=dataset[:,8]    #假定有8列

第四步：定义模型

定义输入层个数，此例中为8个。

定义连接层为全连接  Dense，神经元个数定义为12个（可以根据需要更改）

此例中，定义层数为3层，权重可以选择 “uniform”（权重为0~0.05），也可以选择“normal”，默认服从高斯分布，选定激活函数为

“relu”，为了使输出在0~1之间，令最后一层的激活函数为“sigmoid”。

model=Squential()model.add(Dense(12,input_dim=8,activation="relu"))model.add(Dense(8,activation="relu"))model.add(Dense(1,activation="sigmoid"))

第五步：编译模型

需要后端支持，本例使用的tensorflow，它会根据系统是否有GPU加速而自动选择，没有则选则CPU加速

在该阶段定义损失函数loss，二分类方法可以为“binary_crossentropy”，也可以为其他类型。

优化器optimizer 可以选择 “adam”，也可以选择其他类型。

最后定义分类精度metric ，可以选择“accuracy”

model.compile(loss='binary_crossentropy',optimizer='adam',matric=['accuracy'])

第六步：拟合模型fit

这阶段需要将输入X和输出Y作为参数进行传递，同时需要定义enpochs参数，本例中选择150，batch_size10

model.fit(x,y,epochs=150,batch_size=10)

第七步：评估模型evaluate

训练完模型之后，需要根据测试集去评估模型的好坏

这里为了简便，用测试集来评估，实际使用中，经常将数据集分为训练集和测试集两类，然后使用训练出来的模型对测试集进行

验证

scores=model.evaluate(x,y)print("\n%s: %2.f%%" %(model.metrics_names[1],scores[1]*100))