序贯模型(Sequential)
序贯模型是多个网络层的线性堆叠。
可以通过向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layer加入到模型中：
model = Sequential()model.add(Dense(32,input_shape=(784,)))model.add(Activation('relu')) 指定输入数据的Shape
模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动推导出中间数据的shape，因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape,因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape
- 传递一个input_shape的关键字给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应该包含在其中。
- 有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape
- 如果你需要为输入指定一个固定大小的batch_size(常用于stateful RNN网络)，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_dim(784)))model = Sequential()model.add(Dense(32,input_shape=784))
编译
在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：
1.优化器optimizer：该参数可指定为已预定义的优化器名称,如rmsprop、adagrad,或一个Optimizer类的对象
2.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。
3.指定列表metrics：对分类问题，我们一般将列表设置为metrics=[‘accuracy’].指标可以是一个预定义指标的名字，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_value映射的字典
#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.backed as kdef men_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。下面给出一些例子：
#For a single-input model with 2 class (binary classification)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 numppy as npdata = np.random.random((100,100))labels = np.random.randint(2,size=(1000,1))#Train the model,iterating on the data in batches of 32 samplesmodel.fit(data,labels,epochs=10,batch_size=32)
#For a sinale-input model with 10 class (categorical classfication):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,interating on the data in batches of 32 samplesmodel.fit(data,one_hot_labels,epochs=10,batch_size=32)