在深度學習蓬勃發(fā)展的今天，越來越多的深度學習框架被提出來，谷歌的Tensorflow ,微軟的CNTK，等等。閱讀文獻時，如果我們想重現(xiàn)論文中的方法，但是又礙于沒有學習過論文中提到的深度學習框架，那么為了節(jié)約研究的時間，使用keras會是你的一個不錯選擇。keras是由純Python編寫的高級神經網(wǎng)絡API，它的后臺支持tensorflow，theano或者CNTK。利用keras，我們能很輕松的搭建深度學習模型。

雖然keras的官方文檔將已經把各部分講得很詳細，但是當真正使用keras搭建模型時，還是會遇到參數(shù)不知道如何設置的問題。接下來，我將會用MLP對mnist數(shù)據(jù)集進行分類的例子，對代碼進行講解，希望能給學習keras的同學帶來幫助。

MLP（多層神經網(wǎng)絡）

1 model = Sequential()     #在代碼中注釋不利于讀者閱讀，所以我統(tǒng)一在代碼后面講解
2 model.add(Dense(512, activation='relu', input_shape=(784,)))
3 model.add(Dropout(0.2))
4 model.add(Dense(512, activation='relu'))
5 model.add(Dropout(0.2))
6 model.add(Dense(10, activation='softmax'))
7 model.summary()
8 model.compile(loss='categorical_crossentropy',
                optimizer=RMSprop(),
                metrics=['accuracy'])
9 history = model.fit(x_train, y_train,
                      batch_size=128,
                      epochs=20,
                      validation_split=0.2)
10 score = model.evaluate(x_test, y_test, verbose=0)

1 在keras源代碼中，Sequential其實是個類，model=Sequntial() ,就是定義了一個Squntial對象，有這行代碼，我們就可以開始自上而下的搭建神經網(wǎng)絡層。

2 Squentail類中，有add方法（類中函數(shù)的叫法），我們通過它添加各種神經網(wǎng)絡層，在這行代碼中，搭建的是Dense層也就是全連接層。Dense層中，有許多參數(shù)，但是大部分都設定了默認值，所以只要關注一下units，activation，input_shape即可。具體來講解一下本行設置，units=512就是設置這一層的神經元的數(shù)量（這個數(shù)量的設置大家可以自己調節(jié)），activation='relu'就是設置激活函數(shù)為relu（當然還可以設置許多其他的激活函數(shù)），大家注意在搭建第一層神經網(wǎng)絡層的時候一定要添加input_shape，之后的網(wǎng)絡層不需要添加。

3 Dropout(0.2)，Dropout層它的作用大家可以想象成生物神經元與神經元連線的斷裂，0.2就是有百分之20的概率兩個神經元之間失去聯(lián)系，用于處理數(shù)據(jù)過擬合的情況。

4 繼續(xù)搭建Dense層，這層有512個神經元，激活函數(shù)設為relu。大家可以看到，已經沒有添加input_shape，keras內部已經自動計算好了，不用我們操心。

5 繼續(xù)加Dropout層

6 最后一層，10個神經元用于判定手寫圖像的數(shù)字，激活函數(shù)為softmax。

7 這行是用來統(tǒng)計我們搭建的神經網(wǎng)絡模型的相關參數(shù)。當我們在運行程序的時候，會在編譯器上顯示，大家可以試一試。

8 compile(編譯)，設置損失函數(shù)loss，這里設置的是交叉熵；設置優(yōu)化算法optmimizer，這里設置的是RMSprop；設置性能評估m(xù)etrics，通常設置為accuracy。

9 前面的代碼相當于把水管搭好了，現(xiàn)在開始通水，fit函數(shù)里面需要設置的參數(shù)有：input data (輸入數(shù)據(jù))；lables (輸入數(shù)據(jù)標簽)；batch_size(做一次梯度下降所使用的數(shù)據(jù)量) ；epochs(使用總訓練集的次數(shù))；validation_split(抽取訓練集0至1比例的數(shù)據(jù)作為驗證集，這里推薦設置為0.2)

10 評估函數(shù)，加入測試集即可。（verbose是用來顯示記錄的，0為不顯示，1為顯示。）

好，代碼已經講完了，最后我還想談一談我學習keras的小心得。

• 機器學習的基本原理還是需要搞懂的，不然你不知道該如何改進你的神經網(wǎng)絡模型。

• 深度學習的算法需要搞懂，不然你不知道該如何搭建模型。

• 要勇于嘗試，必須要把代碼跑起來，不能看看例子就算了，這樣永遠無法提高

• 多做總結，我覺得寫博客是一個做總結的好方法，既總結了知識點，又能幫助大家一起提高。

好吧，如果喜歡我寫的，歡迎大家點贊和評論，大家還要什么不懂的可以留言，我會在下次的博客中給大家講解。