7.Keras开发简介

Keras简介

Keras具有以下特性：

• 相同的代码可以在CPU或GPU上无缝切换运行。
• 具有用户友好的API，便于快速开发深度学习模型的原型。
• 内置支持卷积网络（用于计算机视觉）、循环网络（用于序列处理）以及二者的任意组合。
• 支持任意网络框架：多输入或多输出模型、层共享、模型共享等。这也就是说，Keras能够构建任意深度学习模型，无论是生成式对抗网络还是神经图灵机。

使用Keras开发：概述

典型的Keras工作流程如下：

• 定义训练数据：输入张量和目标张量。
• 定义层组成的网络（或模型），将输入映射到目标。
• 配置学习过程：选择损失函数、优化器和需要监控的指标。
• 调用模型的fit方法在训练数据上进行迭代。

定义模型有两种方法：

• 使用 Sequential 类（仅用于层的线性堆叠，这是目前最常见的网络架构）。
• 函数式API（functional API，用于层组成的有向无环图，让你可以构建任意形式的架构）

二者对比

利用Sequential类定义的两层模型

from keras import models
from keras import layers

model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))

使用函数式API定义的相同模型

input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)

model = models.Model(inputs=input_tensor, outputs=output_tensor)

一旦定义好了模型架构，使用Sequential模型还是函数式API就不重要了。接下来的步骤都是相同的。

配置学习过程是在编译这一步，你需要指定模型使用的优化器和损失函数，以及训练过程中想要监控的指标。

下面是单一损失函数的例子

from keras import optimizers

model.compile(optimizer=optimizers.RMSprop(1r=0.001), loss='mse', metrics=['accuracy'])

最后，学习过程就是通过 fit（）方法将输入数据的Numpy数组（和对于的目标数据）传入模型，这一做法与Scikit-Learn即其他机器学习库类似。

model.fit(input_tensor, target_tensor, batch_size=128, epocha=10)