Keras的安装
pip install Keras
python -m pip install keras
哈哈，大功告成！继续学习去啦！
pip install --upgrade Kera
190827更新到2.2.5
190827再次还原到2.2.4
相关文章
Py之keras-resnet：keras-resnet的简介、安装、使用方法之详细攻略
Keras的使用方法
0、三种API方式：The Sequential Model （序列模型）、The functional API （函数式API）、Model subclassing（模型子类化）
from keras.models import Model
from keras.callbacks import ModelCheckpoint
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense, Input
from keras.optimizers import Adam
from keras.backend.tensorflow_backend import set_session
from keras.utils.vis_utils import model_to_dot
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
np.random.seed(5)
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
set_session(tf.Session(config=config))
1、The Sequential Model 序列模型
-非常简单
-仅适用于单输入，单输出，顺序的层堆叠
-适用于70％以上的用例
Sequential 序列模型如所示
可以简单地使用.add() 来堆叠模型
在完成了模型的构建后, 可以使用.compile() 来配置学习过程：
如果需要，还可以进一步地配置优化器：
批量地在训练数据上进行迭代： # x_train 和y_train 是Numpy 数组--就像在Scikit-Learn API 中一样
或者，可以手动地将批次的数据提供给模型：
一行代码就能评估模型性能：
对新的数据生成预测
1、快速开始序贯（Sequential）模型
序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
(1)、可以通过向Sequential模型传递一个layer的list来构造该模型：
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([ Dense(32, units=784), Activation('relu'), Dense(10), Activation('softmax'), ])
(2)、也可以通过.add()方法一个个的将layer加入模型中：
model = Sequential() model.add(Dense(32, input_shape=(784,)))
model.add(Activation('relu'))
#引入Sequential，Dense，Activation
from keras.models import Sequential
from keras.layers import Dense, Activation
#向layer添加list方式
model = Sequential([Dense(32, input_dim=784),Activation('relu'),Dense(10),Activation('softmax'),])
#通过.add()方式
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
2、The functional API 函数式API
-象玩乐高积木
-多输入，多输出，任意静态图拓扑
-适用于95％的用例
Keras 函数式API 是定义复杂模型（如多输出模型、有向无环图，或具有共享层的模型）的方法。
例一：全连接网络
3、Model subclassing 模型子类化
-最大的灵活性
-更大的可能错误面
(1)、通过对tf.keras.Model 进行子类化并定义你自己的前向传播来构建完全可自定义的模型。在__init__ 方法中创建层并将它们设置为类实例的属性。在call 方法中定义前向传播。
(2)、在启用Eager Execution 时，模型子类化特别有用，因为可以命令式地编写前向传播。
(3)、以下示例展示了使用自定义前向传播进行子类化的tf.keras.Model
class MyModel(tf.keras.Model):
def __init__(self, num_classes=10):
super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
# Define your layers here.
self.dense_1 = layers.Dense(32, activation='relu')
self.dense_2 = layers.Dense(num_classes, activation='sigmoid')
def call(self, inputs):
# Define your forward pass here,
# using layers you previously defined (in `__init__`).
x = self.dense_1(inputs)
return self.dense_2(x)
def compute_output_shape(self, input_shape):
# You need to override this function if you want to use the subclassed model
# as part of a functional-style model.# Otherwise, this method is optional.
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.num_classes
return tf.TensorShape(shape)
实例化新模型类
model = MyModel(num_classes=10) # The compile step specifies the training configuration.
model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
# Trains for 5 epochs.
model.fit(data, labels, batch_size=32, epochs=5)
