Keras深度學習框架中文文檔

• Keras官網：http://keras.io/
• Github項目：https://github.com/fchollet/keras
• 中文文檔主頁：http://keras-cn.readthedocs.io/en/latest/
• Github中文文檔：https://github.com/MoyanZitto/keras-cn.git

快速開始Keras

　　Keras的核心數據結構是“模型”，模型是一種組織網絡層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網絡層按順序構成的棧。Sequential模型如下：

from keras.models import Sequentialmodel = Sequential()

　　將一些網絡層通過.add()堆疊起來，就構成了一個模型：

from keras.layers.core import Dense, Activationmodel.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))

　　完成模型的搭建后，我們需要使用.compile()方法來編譯模型：

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

　　編譯模型時必須指明損失函數和優化器，如果你需要的話，也可以自己定制損失函數。Keras的一個核心理念就是使得事情在簡單的同時，保證用戶對他們希望做的事情有足夠的控制力度（最絕對的控制來自于源代碼的可擴展性）

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

　　完成模型編譯后，我們在訓練數據上按batch進行一定次數的迭代訓練，以擬合網絡：

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

　　當然，我們也可以手動將一批批的數據送入網絡中訓練，這時候需要使用：

model.train_on_batch(X_batch, Y_batch)

　　隨后，我們可以使用一行代碼對我們的模型進行評估，看看模型的指標是否滿足我們的要求：

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

　　或者，我們可以使用我們的模型，對新的數據進行預測：

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)