Keras的目標(biāo)就是搭建模型。最主要的模型是Sequential：不同層的疊加。模型創(chuàng)建后可以編譯，調(diào)用后端進行優(yōu)化，可以指定損失函數(shù)和優(yōu)化算法。

編譯后的模型需要導(dǎo)入數(shù)據(jù)：可以一批批加入數(shù)據(jù)，也可以一次性全加入。訓(xùn)練后的模型就可以做預(yù)測或分類了。大體上的步驟是：

定義模型：創(chuàng)建Sequential模型，加入每一層

編譯模型：指定損失函數(shù)和優(yōu)化算法，使用模型的compile()方法

擬合數(shù)據(jù)：使用模型的fit()方法擬合數(shù)據(jù)

進行預(yù)測：使用模型的evaluate() 或 predict()方法進行預(yù)測

Sequential(序貫?zāi)Ｐ?是多個網(wǎng)絡(luò)層的線性堆疊，說人話就是“一條路走到黑”。

我們一般通過.add()方法一個個的將layer加入模型：

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model.add(Activation("relu"))

Sequential的第一層需要接受一個關(guān)于輸入數(shù)據(jù)shape的參數(shù)，后面的各個層則可以自動的推導(dǎo)出中間數(shù)據(jù)的shape，因此不需要為每個層都指定這個參數(shù)。

有幾種方法來為第一層指定輸入數(shù)據(jù)的shape

傳遞一個input_shape的關(guān)鍵字參數(shù)給第一層，input_shape是一個tuple類型的數(shù)據(jù)，其中也可以填入None，如果填入None則表示此位置可能是任何正整數(shù)。數(shù)據(jù)的batch大小不應(yīng)包含在其中。

有些2D層，如Dense，支持通過指定其輸入維度input_dim來隱含的指定輸入數(shù)據(jù)shape,是一個Int類型的數(shù)據(jù)。一些3D的時域?qū)又С滞ㄟ^參數(shù)input_dim和input_length來指定輸入shape。

如果你需要為輸入指定一個固定大小的batch_size，可以傳遞batch_size參數(shù)到一個層中，例如你想指定輸入張量的batch大小是32，數(shù)據(jù)shape是（6，8），則你需要傳遞batch_size=32和input_shape=(6,8)。

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

一些重要概念：

batch:
我們經(jīng)常用到的優(yōu)化算法——梯度下降，在該算法中參數(shù)更新的方式主要有2種。
第一種，遍歷全部數(shù)據(jù)集算一次損失函數(shù)，然后算函數(shù)對各個參數(shù)的梯度，更新梯度。這種方法每更新一次參數(shù)都要把數(shù)據(jù)集里的所有樣本都看一遍，計算量開銷大，計算速度慢，不支持在線學(xué)習(xí)，這稱為Batch gradient descent，批梯度下降。
第二種，每看一個數(shù)據(jù)就算一下?lián)p失函數(shù)，然后求梯度更新參數(shù)，這個稱為隨機梯度下降，stochastic gradient descent。這個方法速度比較快，但是收斂性能不太好，可能在最優(yōu)點附近晃來晃去，hit不到最優(yōu)點。兩次參數(shù)的更新也有可能互相抵消掉，造成目標(biāo)函數(shù)震蕩的比較劇烈。
為了克服兩種方法的缺點，現(xiàn)在一般采用的是一種折中手段，mini-batch gradient decent，小批的梯度下降，這種方法把數(shù)據(jù)分為若干個批，按批來更新參數(shù)，這樣，一個批中的一組數(shù)據(jù)共同決定了本次梯度的方向，下降起來就不容易跑偏，減少了隨機性。另一方面因為批的樣本數(shù)與整個數(shù)據(jù)集相比小了很多，計算量也不是很大。
基本上現(xiàn)在的梯度下降都是基于mini-batch的，所以Keras的模塊中經(jīng)常會出現(xiàn)batch_size，指的就是這個。
epochs:
指的就是訓(xùn)練過程中數(shù)據(jù)將被“輪”多少次。

在訓(xùn)練模型之前，我們需要通過compile來對學(xué)習(xí)過程進行配置。compile接收三個參數(shù)：

優(yōu)化器optimizer：該參數(shù)可指定為已預(yù)定義的優(yōu)化器名，如rmsprop、adagrad，或一個Optimizer類的對象。

損失函數(shù)loss：該參數(shù)為模型試圖最小化的目標(biāo)函數(shù)，它可為預(yù)定義的損失函數(shù)名，如categorical_crossentropy、mse，也可以為一個損失函數(shù)。

指標(biāo)列表metrics：對分類問題，我們一般將該列表設(shè)置為metrics=["accuracy"]。指標(biāo)可以是一個預(yù)定義指標(biāo)的名字,也可以是一個用戶定制的函數(shù).指標(biāo)函數(shù)應(yīng)該返回單個張量,或一個完成metric_name - > metric_value映射的字典。

比如對于多分類問題：

model.compile(optimizer="rmsprop",
              loss="categorical_crossentropy",
              metrics=["accuracy"])

訓(xùn)練模型一般使用fit函數(shù)。

model.fit(data, labels, epochs=10, batch_size=32)

本文主要是介紹Keras的基本用法，所以數(shù)據(jù)集采用經(jīng)典數(shù)據(jù)集，中間的數(shù)據(jù)清洗過程便可以省略一些。數(shù)據(jù)集用的是UCI數(shù)據(jù)集中的 皮馬人糖尿病數(shù)據(jù)集（pima-indians-diabetes），在UCI的機器學(xué)習(xí)網(wǎng)站（http://mlearn.ics.uci.edu/dat...）可以免費下載。

數(shù)據(jù)集的內(nèi)容是皮馬人的醫(yī)療記錄，以及過去5年內(nèi)是否有糖尿病。所有的數(shù)據(jù)都是數(shù)字，問題是（是否有糖尿病是1或0），是二分類問題。數(shù)據(jù)的數(shù)量級不同，有8個屬性：

懷孕次數(shù)

2小時口服葡萄糖耐量試驗中的血漿葡萄糖濃度

舒張壓（毫米汞柱）

2小時血清胰島素（mu U/ml)

體重指數(shù)（BMI）

糖尿病血系功能

年齡（年）

類別：過去5年內(nèi)是否有糖尿病

所有的數(shù)據(jù)都是數(shù)字，可以直接導(dǎo)入Keras，數(shù)據(jù)前5行長下面這樣。。

6,148,72,35,0,33.6,0.627,50,1
1,85,66,29,0,26.6,0.351,31,0
8,183,64,0,0,23.3,0.672,32,1
1,89,66,23,94,28.1,0.167,21,0
0,137,40,35,168,43.1,2.288,33,1

因為數(shù)據(jù)全部為數(shù)字，這里我們用NumPy的loadtxt()函數(shù)可以直接導(dǎo)入數(shù)據(jù)，其實用pandas的read_csv也可以，隨意啦。并將數(shù)據(jù)集分成特征和標(biāo)簽。

dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")
X = dataset[:,0:8]
Y = dataset[:,8]

delimiter參數(shù)為指定數(shù)據(jù)的界定符

Keras的模型由層構(gòu)成：我們建立一個Sequential模型，一層層加入神經(jīng)元。第一步是確定輸入層的數(shù)目正確：在創(chuàng)建模型時用input_dim參數(shù)確定。

全連接層用Dense類定義：第一個參數(shù)是本層神經(jīng)元個數(shù)，然后是初始化方式和激活函數(shù)。這里的初始化方法是0到0.05的連續(xù)型均勻分布（uniform），Keras的默認(rèn)方法也是這個。也可以用高斯分布進行初始化（normal）。

前兩層的激活函數(shù)是線性整流函數(shù)（relu），最后一層的激活函數(shù)是S型函數(shù)（sigmoid）。之前大家喜歡用S型和正切函數(shù)，但現(xiàn)在線性整流函數(shù)效果更好。

為了保證輸出是0到1的概率數(shù)字，最后一層的激活函數(shù)是S型函數(shù)，這樣映射到0.5的閾值函數(shù)也容易。前兩個隱層分別有12和8個神經(jīng)元，最后一層是1個神經(jīng)元（是否有糖尿病）。

隱層設(shè)置:不太好設(shè)置吧，我的理解是，一般來說，如果網(wǎng)絡(luò)夠大，即使存在問題也不會有影響。這個例子里我們用3層全連接網(wǎng)絡(luò)。

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

Keras會調(diào)用Theano或者TensorFlow編譯模型。

我們需要定義損失函數(shù)和優(yōu)化算法，以及需要收集的數(shù)據(jù)。我們使用binary_crossentropy，錯誤的對數(shù)作為損失函數(shù)；adam作為優(yōu)化算法。基于本問題是分類問題，so我們收集每輪的準(zhǔn)確率。

model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])

網(wǎng)絡(luò)按輪訓(xùn)練，通過nb_epoch參數(shù)控制。每次送入的數(shù)據(jù)可以用batch_size參數(shù)控制。這里我們只跑150輪，每次10個數(shù)據(jù)。

model.fit(X, Y, nb_epoch=150, batch_size=10)

我們把測試數(shù)據(jù)拿出來檢驗一下模型的效果（注意這樣不能測試在新數(shù)據(jù)的預(yù)測能力）我們應(yīng)該將數(shù)據(jù)分成訓(xùn)練和測試集。調(diào)用模型的evaluation()方法，傳入訓(xùn)練時的數(shù)據(jù)。輸出是平均值，包括平均誤差和其他的數(shù)據(jù)，例如準(zhǔn)確度。

scores = model.evaluate(X, Y)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

...
Epoch 143/150
768/768 [==============================] - 0s - loss: 0.4614 - acc: 0.7878
Epoch 144/150
768/768 [==============================] - 0s - loss: 0.4508 - acc: 0.7969
Epoch 145/150
768/768 [==============================] - 0s - loss: 0.4580 - acc: 0.7747
Epoch 146/150
768/768 [==============================] - 0s - loss: 0.4627 - acc: 0.7812
Epoch 147/150
768/768 [==============================] - 0s - loss: 0.4531 - acc: 0.7943
Epoch 148/150
768/768 [==============================] - 0s - loss: 0.4656 - acc: 0.7734
Epoch 149/150
768/768 [==============================] - 0s - loss: 0.4566 - acc: 0.7839
Epoch 150/150
768/768 [==============================] - 0s - loss: 0.4593 - acc: 0.7839
768/768 [==============================] - 0s
acc: 79.56%

最后模型的準(zhǔn)確率為79.56%，還不是特別高。本文的目的只是為了將keras的特點展示出來。對于該數(shù)據(jù)集，我們還可以進行很多優(yōu)化，比如神經(jīng)網(wǎng)絡(luò)中的隱層的設(shè)計、引入交叉驗證調(diào)參、dropout等?？纯湍?，后面會慢慢寫到的。