發(fā)現(xiàn)一個比較好的介紹Keras的中文版的文檔，原文鏈接：

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

以下內容是目前個人所看，詳細內容看原文鏈接。

keras是一個高層神經網絡API，由純Python編寫而成并基tensorflow、Theano以及CNTK后端。

快速開始序慣（Sequential）模型：

序貫模型是多個網絡層的線性堆疊，也就是“一條路走到黑”。

?

指定輸入數(shù)據(jù)的shape：

• 傳遞一個input_shape的關鍵字參數(shù)給第一層，input_shape是一個tuple類型的數(shù)據(jù)，其中也可以填入None，如果填入None則表示此位置可能是任何正整數(shù)。數(shù)據(jù)的batch大小不應包含在其中。
• 有些2D層，如Dense，支持通過指定其輸入維度input_dim來隱含的指定輸入數(shù)據(jù)shape,是一個Int類型的數(shù)據(jù)。一些3D的時域層支持通過參數(shù)input_dim和input_length來指定輸入shape。
• 如果你需要為輸入指定一個固定大小的batch_size（常用于stateful RNN網絡），可以傳遞batch_size參數(shù)到一個層中，例如你想指定輸入張量的batch大小是32，數(shù)據(jù)shape是（6，8），則你需要傳遞batch_size=32和input_shape=(6,8)。

編譯：

compile接受三個參數(shù)：優(yōu)化器，損失函數(shù)，指標列表metrics

• 優(yōu)化器optimizer：該參數(shù)可指定為已預定義的優(yōu)化器名，如rmsprop、adagrad，或一個Optimizer類的對象，詳情見optimizers
• 損失函數(shù)loss：該參數(shù)為模型試圖最小化的目標函數(shù)，它可為預定義的損失函數(shù)名，如categorical_crossentropy、mse，也可以為一個損失函數(shù)。詳情見losses
• 指標列表metrics：對分類問題，我們一般將該列表設置為metrics=['accuracy']。指標可以是一個預定義指標的名字,也可以是一個用戶定制的函數(shù).指標函數(shù)應該返回單個張量,或一個完成metric_name - > metric_value映射的字典.請參考性能評估

訓練：訓練模型一般使用fit函數(shù)。

常用層：常用層對應于core模塊，core內部定義了一系列常用的網絡層，包括全連接層、激活層等。

Dense層（全連接層）：

所實現(xiàn)的運算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素計算的激活函數(shù)，kernel是本層的權值矩陣，bias為偏置向量，只有當use_bias=True才會添加。

如果本層的輸入數(shù)據(jù)的維度大于2，則會先被壓為與kernel相匹配的大小。

Dropout層：

Dropout將在訓練過程中每次更新參數(shù)時按一定概率（rate）隨機斷開輸入神經元，Dropout層用于防止過擬合。

Flatten層：

用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連接層的過渡。Flatten不影響和batch的大小。

reshape層

Permute層：當需要將RNN和CNN網絡連接的時候，可能會用到該層。

RepeatVector層

repeatvector層將輸入重復n次

總結

以上是生活随笔為你收集整理的keras中文版官方文档的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。