keras（一）

参考：

keras序贯模型：https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

函数式模型：https://keras-cn.readthedocs.io/en/latest/getting_started/functional_API/

回调函数：https://keras-cn.readthedocs.io/en/latest/other/callbacks/

神经网络框架：https://yq.aliyun.com/articles/567420

部分学习代码放在github：

一、序贯模型（sequential model）

序：顺序，贯：连贯，连续地走下去的模型流程就是序贯模型，另外也应该包括一个输入和一个输出这样的特点

我猜的

原文讲的很清楚了

• 创建模型

model = Sequential()
model.add(Dense(128, activtion='relu', input_shape=(4,4)))

• 编译模型

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

• 训练模型

model.fit(train_x, train_y, epochs=20, batch_size=128)

二、函数式模型

Keras函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。一句话，只要你的模型不是类似VGG一样一条路走到黑的模型，或者你的模型需要多于一个的输出，那么你总应该选择函数式模型。函数式模型是最广泛的一类模型，序贯模型（Sequential）只是它的一种特殊情况。

from keras.layers import Input, Dense
from keras.models import Model

# This returns a tensor
inputs = Input(shape=(784,))

# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  # starts training

与之前的不同时，这里的网络层都会接受一个张量，然后返回一个张量，而定义模型的时候只是使用Model接受了输入和输出，这里体现的特点是

• 层对象接受张量为参数，返回一个张量。

• 输入是张量，输出也是张量的一个框架就是一个模型，通过Model定义。

• 这样的模型可以被像Keras的Sequential一样被训练

• 所有的模型都可调用

利用函数式模型的接口，我们可以很容易的重用已经训练好的模型：你可以把模型当作一个层一样，通过提供一个tensor来调用它。注意当你调用一个模型时，你不仅仅重用了它的结构，也重用了它的权重。

model = Sequential()
# ....
x = Input((784,))
y = model(x)

• 多输入和多输出模型

• 共享层

三、callback

callback机制

回调函数是一组在训练的特定阶段被调用的函数集，你可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的.fit()中，即可在给定的训练阶段调用该函数集中的函数。

回调函数在使用中一般会传入一个列表，列表中是使用keras.callbacks中调用的类生成的实例对象