寫在前面：
Keras建立神經網路比較輕便簡單，直接看第二部分程式碼示例就能明白。更高階複雜的功能，參見官網
一、Keras使用講解
Keras 是與TensorFlow一起使用的更高級別的作為後端的 API。新增層就像新增一行程式碼一樣簡單。在模型架構之後，使用一行程式碼，你可以編譯和擬合模型。之後，它可以用於預測。變數宣告、佔位符甚至會話都由 API 管理。
使用流程
1。定義模型的型別。Keras 提供了兩種型別的模型：序列和模型類 API。Keras 提供各種型別的神經網路層：
from
keras。model
import
Sequential
from
keras。layers
import
Dense
model
=
Sequential
（）
2。在
model.add() 的幫助下將層新增到模型中
。依照 Keras 文件描述，
Keras 提供全連線層的選項（針對密集連線的神經網路）(難道還有不用Dense的網路？)
：
Dense（ units， activation=None， use_bias=True，
kernel_initializer=‘glorot_uniform’， bias_initializer=‘zeros’，
kernel_regularizer=None， bias_regulrizer=None，
kernel_constraint=None， bias_constraint=None，
activity_regularizer=None
）
注意，密集層實現的操作：output=activation（dot（input，kernel）+bias），其中 activation 是元素啟用函式，是作為啟用引數傳遞的，kernel 是由該層建立的權重矩陣，bias 是由該層建立的偏置向量（僅在 use_bias 為 True 時適用）。activity_regularizer不知道指什麼，可參見官網，不常用。
3。
可以使用它來新增儘可能多的層，每個隱藏層都由前一層提供輸入。只需要為第一層指定輸入維度
# 這將新增全連線神經層，第一層輸入的X_in維度為13列，輸出為32列。
# 注意不是指該層神經元有32個，這是錯誤的解讀
model。add（Dense（32，input_dim=13，activation=‘relu’））
model。add（Dense（10，activation=‘sigmoid’））
4。 一旦模型被定義，需要選擇一個損失函式和最佳化器。
Keras 提供了多種損失函式（mean_squared_error、mean_absolute_error、mean_absolute_percentage_error、categorical_crossentropy 和最佳化器（sgd、RMSprop、Adagrad、Adadelta、Adam 等）
。損失函式和最佳化器確定後，可以使用 compile（self，optimizer，loss，metrics=None，sample_weight_mode=None）來配置學習過程：
model
。
compile
（
optimizer
=
‘rmsprop’
，
loss
=
‘categorical_crossentripy’
，
metrics
=
［
‘accuracy’
］）
# 一般只用輸入最佳化器和損失函式即可，不用別的引數
5。
使用 fit 方法訓練模型
model。fit（data，labels，epochs=10，batch_size=32） #還可以輸入validation引數
6。 使用
predict 方法 predict(self，x，batch_size=32，verbose=0) 的幫助下進行預測
：
model。predict（test_data，batch_size=10）
batch_size和verbose引數非必須引數，通常不給這兩引數
verbose：是否日誌顯示，
0
為不在標準輸出流輸出日誌資訊，
1
為輸出進度條記錄，
2
為每個epoch輸出一行記錄
補充：Keras 提供選項來添加捲積層、池化層、迴圈層，甚至是區域性連線層。每種方法的詳細描述在 Keras 的官方文件中可以找到
：
https：//
keras。io/models/sequent
ial/
。
二、Keras示例：多層感知機函式逼近
# 對於函式逼近，這裡的損失函式是 MSE。輸入應該歸一化，隱藏層是 ReLU，輸出層最好是 Sigmoid
# 上一個程式碼例子，使用Contrib。layers來構建神經網路層，相比於手動建立神經層，
# 其避免了分別為每層宣告權重和偏置，因而更加輕便。
# 此例使用Keras的API，使得工作進一步簡化。
# sklearn，可用來獲取資料集，預處理資料，並將其分成訓練集和測試集；
# pandas，可以用來分析資料集；
import
tensorflow
as
tf
from
sklearn
import
datasets
from
sklearn。model_selection
import
train_test_split
from
sklearn。preprocessing
import
MinMaxScaler
import
pandas
as
pd
import
seaborn
as
sns
import
numpy
as
np
from
keras。models
import
Sequential
from
keras。layers
import
Dense
，
Activation
from
sklearn。metrics
import
r2_score
，
mean_squared_error
# 載入資料集並建立 Pandas 資料幀來分析資料：
boston
=
datasets
。
load_boston
（）
df
=
pd
。
DataFrame
（
boston
。
data
，
columns
=
boston
。
feature_names
）
df
［
‘target’
］
=
boston
。
target
# 繪出該資料幀
# print（df）
# split train and test data
X_train
，
X_test
，
Y_train
，
Y_test
=
train_test_split
（
df
［［
‘RM’
，
‘LSTAT’
，
‘PTRATIO’
］］，
df
［［
‘target’
］］，
test_size
=
0。3
，
random_state
=
0
）
# normalize data
X_train
=
MinMaxScaler
（）
。
fit_transform
（
X_train
）
X_test
=
MinMaxScaler
（）
。
fit_transform
（
X_test
）
Y_train
=
MinMaxScaler
（）
。
fit_transform
（
Y_train
）
Y_test
=
MinMaxScaler
（）
。
fit_transform
（
Y_test
）
# network parameters
m
=
len
（
X_train
）
n
=
3
n_hidden
=
20
# 並非hidden neurons，而是隱藏層的輸出的分類結果數為20。可以改成別的
n_classes
=
1
# 不是分類問題，所以最後一層輸出層輸出的分類結果只有一個類
# hyper para
batch_size
=
20
learning_rate
=
0。01
max_epoch
=
100
# 下面是本例子 Keras 相關語句作為後端的程式碼：
# ————————————————————————————————————————————————————————————
# 使用Keras建立一個單隱藏層的多層感知機模型
model
=
Sequential
（）
model
。
add
（
Dense
（
n_hidden
，
input_dim
=
n
，
activation
=
‘relu’
））
# 和contrib。layers。fully_connected用法類似，需要輸入引數input，output和activation。
# 但是對layers。fully_connected，input是X_in，函式會自動捕捉其列數；對keras。Dense，input只是X_in的列數維度
model
。
add
（
Dense
（
1
，
activation
=
‘sigmoid’
））
# 對於第二層及後面的層，output不需要指定，會自動從上一層獲得
model
。
summary
（）
# summarize the model
# 編譯該模型
model
。
compile
（
loss
=
‘mean_squared_error’
，
optimizer
=
‘adam’
）
# 應用該模型。在TF中，fit是個很有apply意味的詞
model
。
fit
（
X_train
，
Y_train
，
validation_data
=
（
X_test
，
Y_test
），
epochs
=
max_epoch
，
batch_size
=
batch_size
，
verbose
=
0
）
# 預測值，計算MSE和R2
Y_test_pred
=
model
。
predict
（
X_test
）
Y_train_pred
=
model
。
predict
（
X_train
）
R2
=
r2_score
（
Y_test
，
Y_test_pred
）
# R2決定係數（判斷擬合優度）
RMSE
=
mean_squared_error
（
Y_test
，
Y_test_pred
）
（
‘performance metrics R2：
{0：f}
， RMSE：
{1：f}
’
。
format
（
R2
，
RMSE
））
參考：
https：//www。
cnblogs。com/q735613050/
p/8227446。html
https：//
keras-cn。readthedocs。io
/en/latest/models/model/
