上面學(xué)習(xí)了在Window和Linux上安裝keras環(huán)境蕴坪。既然裝了还栓，下面花5分鐘學(xué)習(xí)如何入門使用keras碌廓，很簡(jiǎn)單，不要怕剩盒！就像搭積木一樣簡(jiǎn)單谷婆。

賊簡(jiǎn)單！5分鐘入門Python深度學(xué)習(xí)庫(kù)Keras

搭積木一樣簡(jiǎn)單

Keras深度學(xué)習(xí)基礎(chǔ)

Keras的主要結(jié)構(gòu)是模型，它定義了深度學(xué)習(xí)網(wǎng)絡(luò)的圖層解雇纪挎∑谄叮可以像搭積木一樣，向現(xiàn)有模型添加更多圖層异袄，以構(gòu)建項(xiàng)目所需的自定義模型通砍。

以下是如何在深度學(xué)習(xí)中創(chuàng)建順序模型和一些常用層

1.順序模型

from keras.models import Sequential

from keras.layers import Dense, Activation,Conv2D,MaxPooling2D,Flatten,Dropout

model = Sequential()

2.卷積層

這是卷積層作為輸入層的示例，輸入形狀為320x320x3烤蜕，具有48個(gè)大小為3x3的濾波器封孙，并使用ReLU作為激活函數(shù)。

input_shape=(320,320,3) #this is the input shape of an image 320x320x3

model.add(Conv2D(48, (3, 3), activation='relu', input_shape= input_shape))

另一種類型是

model.add(Conv2D(48, (3, 3), activation='relu'))

賊簡(jiǎn)單讽营！5分鐘入門Python深度學(xué)習(xí)庫(kù)Keras

卷積層

3. MaxPooling Layer

要對(duì)輸入表示進(jìn)行下采樣虎忌，請(qǐng)使用MaxPool2d并指定內(nèi)核大小

model.add(MaxPooling2D(pool_size=(2, 2)))

賊簡(jiǎn)單！5分鐘入門Python深度學(xué)習(xí)庫(kù)Keras

輸入表示進(jìn)行下采樣

4.Dense Layer

添加完全連接的圖層橱鹏，只需指定輸出尺寸

model.add（Dense（256呐籽，activation ='relu'））

5.DropOut層

以50％的概率添加DropOut層

model.add(Dropout(0.5))

編譯，培訓(xùn)和評(píng)估

在定義模型之后蚀瘸，開(kāi)始訓(xùn)練它們。首先需要使用loss函數(shù)和優(yōu)化器函數(shù)編譯網(wǎng)絡(luò)庶橱。這將允許網(wǎng)絡(luò)改變權(quán)重并最小化損失贮勃。

model.compile（loss ='mean_squared_error'，optimizer ='adam'）

現(xiàn)在開(kāi)始訓(xùn)練苏章，使用fit將訓(xùn)練和驗(yàn)證數(shù)據(jù)提供給模型寂嘉。這將允許您批量訓(xùn)練網(wǎng)絡(luò)并設(shè)置epochs。

model.fit（X_train枫绅，X_train泉孩，batch_size = 32，epochs = 10并淋，validation_data =（x_val寓搬，y_val））

最后一步是使用測(cè)試數(shù)據(jù)評(píng)估模型。

score = model.evaluate（x_test县耽，y_test句喷，batch_size = 32）

讓我們嘗試使用簡(jiǎn)單的線性回歸

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232); font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: 400; letter-spacing: normal; orphans: 2; text-align: start; text-indent: 0px; text-transform: none; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; text-decoration-style: initial; text-decoration-color: initial;">import keras
from keras.models import Sequential
from keras.layers import Dense, Activation
import numpy as np
import matplotlib.pyplot as plt

x = data = np.linspace(1,2,200)
y = x4 + np.random.randn(x.shape) * 0.3
model = Sequential()
model.add(Dense(1, input_dim=1, activation='linear'))
model.compile(optimizer='sgd', loss='mse', metrics=['mse'])
weights = model.layers[0].get_weights()
w_init = weights[0][0][0]
b_init = weights[1][0]
print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
model.fit(x,y, batch_size=1, epochs=30, shuffle=False)
weights = model.layers[0].get_weights()
w_final = weights[0][0][0]
b_final = weights[1][0]
print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))
predict = model.predict(data)
plt.plot(data, predict, 'b', data , y, 'k.')
plt.show()

訓(xùn)練數(shù)據(jù)后，輸出應(yīng)如下所示

賊簡(jiǎn)單兔毙！5分鐘入門Python深度學(xué)習(xí)庫(kù)Keras

初始權(quán)重

Linear regression model is initialized with weights w: 0.37, b: 0.00

和最終的權(quán)重

Linear regression model is trained to have weight w: 3.70, b: 0.61