版權宣告：本文為博主原創文章，未經博主允許不得轉載。    https://blog.csdn.net/baimafujinji/article/details/78384792
現在人工智慧，特別是深度學習可謂風光無限，加之各種框架神器層出不窮也令深度學習不再是什麼空中樓閣。由於工具化的趨勢越來越明顯，現在要自行搭建一個深度神經網路已經變得越來越容易。你可能聽說過的框架有TensorFlow、Theano、Torch、Caffe、MXNet等等，今天我們就要來介紹構建神經網路最為容易的一個框架——Keras。之所以說Keras是當前構建神經網路最為容易的框架，就是因為相比於Theano和TensorFlow，你會發現使用Keras，你所需要自行編寫的程式碼是最少的。真是不得不令人感嘆：沒有對比，就沒有傷害。

總的來說，使用Keras構建神經網路的基本工作流程主要可以分為4個部分。而且這個用法和思路我個人感覺，很像是在使用Scikit-learn中的機器學習方法

Model definition → Model compilation → Training → Evaluation and Prediction 

下面我們就通過一個非常簡單的例子來一步一步地演示如果在Keras中構建一個簡單的用於迴歸的神經網路。這個例子基本上跟文章【TensorFlow簡明入門寶典 】中最後給出的那個求解線性迴歸的例子要做的事情是一致的。

首先，我們人為地造一組由 y = 0.5x + 2 加上一些噪聲而生成的資料，資料量一共有200個，其中前160作為train set，後40作為test set。

import numpy as np
import matplotlib.pyplot as plt
 
X = np.linspace(-2, 6, 200)
np.random.shuffle(X)
Y = 0.5 * X + 2 + 0.15 * np.random.randn(200,) 
 
# plot data
plt.scatter(X, Y)
plt.show()
 
X_train, Y_train = X[:160], Y[:160]     # train first 160 data points
X_test, Y_test = X[160:], Y[160:]       # test remaining 40 data points
可以用matplotlib中提供的方法來繪製一下資料的分佈情況：

接下來，我們要執行構建模型的第一步，即Model Definition。這一步的作用就是定義NN中的層次結構。為此要引入兩個重要的類，Sequential和Dense。
from keras.models import Sequential
from keras.layers import Dense
其中Sequential是Keras中構建NN最常用的一種Model（也是最簡單的一種），一個Sequential的Model 就是 a linear stack of layers，也就是說，你只要按順序（使用add()方法）一層一層地順序地新增神經網路層就可以了。而Dense表示全連線層，此時它需要接收兩個引數，即輸入的節點數及輸出的節點數，特別地，在一層一層地構建NN時，Keras還可以根據上一層的輸出來推斷下一次的輸入，所以有些全連線層引數可以省略。

在這個簡單的例子中，我們的全連線層只有一層，而且輸入的節點數和輸出的節點數都為1，所以有：

model = Sequential()
model.add(Dense(output_dim = 1, input_dim = 1))

接下來執行構建模型的第一步，即Model compilation。這一步是要指定模型中的loss function（在這例子中使用的是最小二乘誤差‘mse’），優化器以及metrics等內容。優化器你可以使用系統提供的預設優化器，例如你可以像下面這樣用'sgd'表示隨機梯度下降。

model.compile(loss='mse', optimizer='sgd')
你可以可以像下面這樣自定義優化器中的引數：
from keras.optimizers import SGD
model.compile(loss='mse', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

然後來執行Training的部分。在這一步你可以有兩個選擇。第一種直接使用fit，這個簡直和Scikit-learn中的感覺像極了！你只要在fit方法的引數列表中指定訓練資料（特徵向量和label）、訓練的次數和用來做梯度下降的batch size就可以了。

model.fit(x_train, y_train, epochs=100, batch_size=64)
另外一個選擇是你也可以採用下面的語法來feed batches to your model manually：

model.train_on_batch(x_batch, y_batch)
例如在本例中你可以把訓練部分寫成下面這種形式，其中每20步，我們會輸出一次cost。
print('Training -----------')
for step in range(100):
    cost = model.train_on_batch(X_train, Y_train)
    if step % 20 == 0:
        print('train cost: ', cost)
我的程式輸出結果如下（注意由於存在各種隨機性，每次的輸出未必完全一致）：

Training -----------
train cost:  0.0290748
train cost:  0.0276375
train cost:  0.026696
train cost:  0.0260792
train cost:  0.0256752

最後，終於可以進入Evaluation and Prediction的部分了。對於之前預留的測試集來說，你可以使用：

cost = model.evaluate(X_test, Y_test, batch_size=40)
具體來說針對我們現在這個例子則有：
print('\nTesting ------------')
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=40)
print('test cost:', cost)
W, b = model.layers[0].get_weights()
print('Weights=', W, '\nbiases=', b)
我的程式輸出結果如下：
Testing ------------
40/40 [==============================] - 0s
test cost: 0.0254213
Weights= [[ 0.50829154]] 
biases= [ 1.9707619]

對一些新的資料來進行預測，那麼你可以使用predict，而且它的使用也與Scikit-learn中的用法及其相似，最終我們預測test set中每個的點，並繪製預測的模型。

Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()
輸出之圖形如下：

最後，我個人認為【1】是入門Keras的一個非常好的Talk。另外，本文的jupyter notebook檔案，你可以從下面的連結【3】中獲取到。

參考文獻：

【1】https://www.youtube.com/watch?v=OUMDUq5OJLg （需要自備梯子）

【2】https://keras.io/#getting-started-30-seconds-to-keras

【3】https://pan.baidu.com/s/1jI8CgHw

（本文完）
--------------------- 
作者：白馬負金羈 
來源：CSDN 
原文：https://blog.csdn.net/baimafujinji/article/details/78384792 
版權宣告：本文為博主原創文章，轉載請附上博文連結！