Keras 教程

Keras 是一个高级神经网络 API，它能够运行在 TensorFlow、CNTK 和 Theano 后端之上。本教程将向您介绍如何使用 Keras 创建一个简单的神经网络。

环境搭建

在开始之前，请确保您的环境中已经安装了以下依赖：

Python 3.x
TensorFlow 或 CNTK 或 Theano
Keras

您可以通过以下命令安装 Keras：

pip install keras

创建模型

Keras 提供了两种模型构建方式：序贯模型和功能式模型。以下是一个使用序贯模型创建简单神经网络的基本示例：

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

model = Sequential()
model.add(Dense(64, input_dim=100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

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

在上面的代码中，我们创建了一个包含两个层的神经网络。第一个层有 64 个神经元，使用 ReLU 激活函数，输入维度为 100。第二个层有 1 个神经元，使用 sigmoid 激活函数。

训练模型

接下来，我们需要使用一些数据来训练我们的模型。以下是一个使用随机数据训练模型的示例：

import numpy as np

# 生成随机数据
x_train = np.random.random((1000, 100))
y_train = np.random.randint(2, size=(1000, 1))

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32)

在这个例子中，我们使用 np.random.random 生成了一些随机数据作为输入和标签，并训练了模型 10 个周期。

评估模型

训练完成后，我们可以使用以下代码来评估模型的性能：

# 生成随机数据
x_test = np.random.random((100, 100))
y_test = np.random.randint(2, size=(100, 1))

# 评估模型
scores = model.evaluate(x_test, y_test)
print('\n%s: %.2f%%' % (model.metrics_names[1], scores[1]*100))

在这个例子中，我们再次使用随机数据来评估模型的性能。

Keras 教程

环境搭建

创建模型

训练模型

评估模型

更多资源