标签：软件 att 举例 参数 generator shape conv2 测试数据 转换
首先引入keras:
1 import keras
接下来根据程序需要引入datasets,models,layers等，例如keras github里的cifar-10例程中写到：
1 from keras.datasets import cifar10 2 from keras.preprocessing.image import ImageDataGenerator 3 from keras.models import Sequential 4 from keras.layers import Dense, Dropout, Activation, Flatten 5 from keras.layers import Conv2D, MaxPooling2D
第一步，我们需要根据模型训练时需要的数据格式来构造数据的shape，有三种方法：
(1)载入他人提供的已经制作好的数据集，如：
1 (x_train, y_train), (x_test, y_test) = cifar10.load_data()
(2)使用自己的数据集：由于keras的输入数据必须是二进制形式，所以必须将自己的数据转换成二进制形式才能进行输入。
(3)我们需要根据模型fit（训练）时需要的数据格式来构造数据的shape，用numpy构造两个矩阵：
一个是数据矩阵，一个是标签矩阵，我们举个例子
data=np.random.random((1000,784))
labels=np.random.randint(2,size=(1000,1))通过numpy的random生成随机矩阵，数据矩阵是1000行784列的矩阵，标签矩阵是1000行1列的句子，所以数据矩阵的一行就是一个样本，这个样本是784维的
第二步，我们来构造一个神经网络模型
用泛型模型举例：
两种构造model的方法
model = Sequential([ Dense(32, input_dim=784), Activation(‘relu‘), Dense(10), Activation(‘softmax‘), ])或
model = Sequential()
model.add(Dense(32, input_dim=784)) model.add(Activation(‘relu‘))在这一步中可以add多个层，也可以merge合并两个模型
第三步，我们编译上一步构造好的模型，并指定一些模型的参数，比如目标函数、优化器等
model.compile(optimizer=‘rmsprop‘, loss=‘categorical_crossentropy‘, metrics=[‘accuracy‘])compile方法的三个参数：
optimizer（优化器），loss（目标函数或损失函数），metrics（评估模型的指标）
具体见上一篇文章
第四步，传入要训练的数据和标签，并指定训练的一些参数，然后进行模型训练
fit(self, x, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None)fit方法参数解析：
verbose：训练时显示实时信息，0表示不显示数据，1表示显示进度条，2表示用只显示一个数据
validation_split：0.2表示20%作为数据的验证集
validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）
sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=’temporal’。
（以上两个参数据说分别为类别权重和样本权重，类别权重没太理解，样本权重貌似就是比如这个样本对分类贡献大，就增加他的权重，有点像TF-IDF，是否是一种注意力机制呢？）
x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array
y：标签，numpy array
batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
nb_epoch：整数，训练的轮数，训练数据将会被遍历nb_epoch次。Keras中nb开头的变量均为”number of”的意思
第五步，用测试数据测试已经训练好的模型，并可以获得测试结果，从而对模型进行评估。
evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)本函数返回一个测试误差的标量值（如果模型没有其他评价指标），或一个标量的list（如果模型还有其他的评价指标）
predict(self, x, batch_size=32, verbose=0)函数的返回值是预测值的numpy array
predict_classes(self, x, batch_size=32, verbose=1)
本函数按batch产生输入数据的类别预测结果
函数的返回值是类别预测结果的numpy array或numpy
还有其他评估指标，具体见：
http://keras-cn.readthedocs.io/en/latest/models/sequential/
以上就是keras编程常用的五个步骤
将模型保存为json
json_string = model.to_json()
将模型保存为yaml
yaml_string = model.to_yaml()
从保存的json中加载模型
from keras.modelsimport model_from_json
model = model_from_json(json_string)
从保存的yaml中加载模型
model =model_from_yaml(yaml_string) model.save_weights(‘my_model_weights.h5‘)
model.load_weights(‘my_model_weights.h5‘) 标签：软件 att 举例 参数 generator shape conv2 测试数据 转换
原文地址：http://www.cnblogs.com/DLarTisan/p/6666288.html
