Keras 快速入门

Keras 是一个高级神经网络 API，能够以用户友好的方式工作，并能够以最小的努力快速实验。以下是一个简单的 Keras 快速入门指南。

安装 Keras

首先，您需要安装 Keras。Keras 通常与 TensorFlow 或 Theano 后端一起安装。以下是如何安装 Keras 的步骤：

pip install tensorflow

或者

pip install theano

创建第一个模型

以下是一个简单的 Keras 模型示例，它使用 TensorFlow 作为后端：

from keras.models import Sequential
from keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=150, batch_size=10)

数据预处理

在训练模型之前，您需要准备数据。以下是一些数据预处理的基本步骤：

• 加载数据：使用 Keras 提供的 datasets 模块加载数据。
• 预处理：对数据进行标准化或归一化。
• 分割数据：将数据分割为训练集和测试集。

from keras.datasets import mnist
from keras.utils import to_categorical

# 加载数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 预处理
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# 编码标签
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

模型评估

训练完成后，您可以使用测试集评估模型性能：

score = model.evaluate(X_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

深入学习

如果您想深入了解 Keras 和深度学习，请访问我们的 深度学习教程。

深度学习