码迷,mamicode.com
首页 > 其他好文 > 详细

上手Keras

时间:2017-09-18 17:27:44      阅读:500      评论:0      收藏:0      [点我收藏+]

标签:cti   顺序   系统   red   moment   控制力   组织   size   word2vec   

Keras的核心数据是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。

Sequential模型如下:

from Keras.models import Sequential
model = Sequential()

将网络层通过.add()堆叠起来,就构成了一个模型:

from Keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

完成模型的搭建后,我们需要使用.compile()方法来编译模型:

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

编译模型时必须指明损失函数和优化器,如果你需要的话,也可以自己定制损失函数。Keras的一个核心理念就是简明易用的同时,保证用户对Keras的绝对控制力度,用户可以根据自己的需要定制自己的模型、网络层,甚至修改源代码。

from Keras.optimizers import SGD
model.compile(loss=categorical_crossentropy,optimizer=SGD(lr=0.01,momentum=0.9,nesterov=True))

完成模型的编译后,我们在训练数据上按batch进行一定次数的迭代来训练网络

model.fit(x_train,y_train,epochs=5,batch_size=32)

当然,我们也可以动手将一个个batch的数据送入网络中训练,这时候需要使用:

model.train_on_batch(x_batch,y_batch)

随后,我们可以使用一行代码来对我们的模型进行评估,看看模型的指标是否满足我们的要求:

loss_and_metrics = model.evaluate(x_test , y_test , batch_size=128)

或者,我们可以使用我们的模型对新的数据进行预测

classes = model.predict(x_test , batch_size=128)

搭建一个问答系统、图像分类模型、或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的。

上手Keras

标签:cti   顺序   系统   red   moment   控制力   组织   size   word2vec   

原文地址:http://www.cnblogs.com/fangpengchengbupter/p/7543699.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!