版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u011240016/article/details/85151287
开发流程
典型的Keras工作流程如下：
- 定义训练数据：输入张量和目标张量
- 定义层组成的网络（模型），将输入映射到目标
- 配置学习过程：选择损失函数，优化器和需要监控的指标
- 调用模型的
fit方法在训练数据上迭代
定义模型的方法
有两种方法：
- 使用
Sequential类，仅仅用于层的线性堆叠，目前最常用 函数式API，可以构建任意形式的架构
案例：
线性堆叠法
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))
函数式API
input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor)
函数式API，使得我们可以操纵数据张量，后面会再详细讲函数式API。
在模型架构定义好之后，接下来的步骤就是相同的了。
编译时指定：优化器，损失函数，监控指标等。
from keras import optimizers
model.compile(optimizer=optimiers.RMSprop(lr=0.001), loss='mse', metrics=['accuracy'])
学习：就是调用fit函数并将输入数据传入模型。
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)
注意，这里是epochs不是epoches。
既然到这里，就已经掌握了深度学习的基本流程，后续还要学什么呢？答案是，在如下几个问题上训练出可靠的直觉，也即，训练自己：
- 哪种网络架构适合哪种类型的问题？
- 如何选择正确的配置？
- 如何调节模型使其给出我们需要的结果？
END.
参考：
《Deep Learning with Python》