keras入門筆記

TensorFlow原始碼庫：

https://github.com/tensorflow/tensorflow

本文參考了部落格https://blog.csdn.net/qq_42483967/article/details/80759828，有不足之處希望大家指出。

Tensorflow和Keras的關係：

TensorFlow和Keras都是深度學習框架，TensorFlow比較靈活。Keras其實就是TensorFlow的介面（Keras作為前端，TensorFlow作為後端），它也很靈活，且比較容易學。可以把keras看作為tensorflow封裝後的一個API。

Tensorflow可以用5-4-9模型來概括：5 步 + 4 種基本元素 + 9 種基本層結構

5步法 

（1）網路模型

過程化方法構造網路模型，Keras中提供了Sequential容器來實現過程式構造。只要用Sequential的add方法把層結構加進來就可以了。

（2）編譯模型

模型構造好之後，下一步就可以呼叫Sequential的compile方法來編譯它，編譯時需要指定兩個基本元素：loss是損失函式，optimizer是優化函式。
（3）訓練模型 

呼叫fit函式，將輸出的值X，打好標籤的值y，epochs訓練輪數，batch_size批次大小設定一下。

要用測試資料來評估，loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
（5）使用模型進行預測

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

4種基本元素

（1）網路結構：由10種基本層結構和其他層結構組成 ，用層結構來拼裝（如何設計層結構）。
（2）啟用函式：如relu, softmax。對於多分類的情況，最後一層是softmax。 其它深度學習層中多用relu。 二分類可以用sigmoid。 另外淺層神經網路也可以用tanh。

（3）損失函式：

categorical_crossentropy多分類對數損失

binary_crossentropy對數損失

mean_squared_error平均方差損失

mean_absolute_error平均絕對值損失 

對於多分類來說，主要用categorical_ crossentropy。

(4）優化器：如SGD隨機梯度下降, RMSProp, Adagrad, Adam, Adadelta等

9種基本層模型

3種主模型： 
全連線層：Dense 
卷積層：如conv1d, conv2d 
迴圈層：如lstm, gru  
3種輔助層： 
Activation層 
Dropout層 
池化層
3種異構網路互聯層： 
嵌入層：用於第一層，輸入資料到其他網路的轉換 
Flatten層：用於卷積層到全連線層之間的過渡 
Permute層：用於RNN與CNN之間的介面

下面使用Mnist手寫識別作為一個例子來講解：

請見下一文章Keras入門筆記（2）