深度学习框架Keras

Keras

用于构建和训练深度学习模型的高级API。它用于快速原型设计，高级研究和生产。

优势分析

用户友好---易于操作
模块化和可组合
易于扩展---编写自定义构建块以表达研究的新想法。

使用步骤

1.导入模块

import tensorflow as tf
from tensorflow import keras
keras在TensorFlow 里的实现。这是一个高级API，用于构建和训练模型，同时兼容 TensorFlow 的绝大部分功能。这使得 TensorFlow 更容易使用，且保持 TensorFlow 的灵活性和性能。
保存模型的权重时，默认为 checkpoint 格式。通过save_format ='h5'使用HDF5。

2.构建模型

（1）keras.Sequential()

通过组装图层来构建模型。
model = keras.Sequential()
#嵌入层是把正整数（索引）转换为固定大小的稠密向量
model.add(keras.layers.Embedding(10000, 16))
# 加入平均池化层。经过池化后，(N, 70, 16) -> (N, 16)
model.add(keras.layers.GlobalAveragePooling1D())
# 加入全连接层。16为输出数量（神经元数量）。
model.add(keras.layers.Dense(16, activation=tf.nn.relu))
# 加入全连接层。1为输出数量（神经元数量）。
model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid))

（2）model.compile()

# 编译模型，对模型训练进行相关的配置。
model.compile(optimizer=tf.train.AdamOptimizer(), loss='binary_crossentropy', metrics=['accuracy'])

三个重要参数：

optimizer：训练过程的优化方法。此参数通过 tf.train 模块的优化方法的实例来指定，比如：AdamOptimizer， RMSPropOptimizer， GradientDescentOptimizer。
loss：训练过程中使用的损失函数（通过最小化损失函数来训练模型）。常见的选择包括：均方误差（mse），categorical_crossentropy和binary_crossentropy。损失函数由名称或通过从tf.keras.losses模块传递可调用对象来指定。
metrics：训练过程中，监测的指标。指定方法：名称或可调用对象 from the tf.keras.metrics 模块。

（3）model.fit()

# 进行模型训练。
# epochs 训练的轮数，一个完整的训练集为一轮。
# batch_size：批次的数量。
# validation_data：指定验证集，模型在训练时，就可以使用该验证集进行验证。
# verbose：指定训练集的信息显示。
# fit 方法返回一个对象。该对象会保存每轮（epoch）训练后的正确率与损失值。
history = model.fit(X_train, y_train, epochs=100, batch_size=512,validation_data=(X_test, y_test), verbose=1)