Keras 入門 30 秒

Keras 的核心資料結構是一種模型，一種組織層的方法。模型的主要型別是 順序 模型，線性堆疊層。對於更復雜的體系結構，你應該使用 Keras 功能 API 。

這是 Sequential 模型：

from keras.models import Sequential

model = Sequential()

堆疊層就像 .add() 一樣簡單：

from keras.layers import Dense, Activation

model.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))

一旦你的模型看起來不錯，請使用 .compile() 配置其學習過程：

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

如果需要，可以進一步配置優化程式。Keras 的核心原則是使事情變得相當簡單，同時允許使用者在需要時完全控制（最終控制是原始碼的易擴充套件性）。

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

你現在可以批量迭代你的訓練資料：

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

或者，你可以手動將批次提供給模型：

model.train_on_batch(X_batch, Y_batch)

在一行中評估你的表現：

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

或者生成對新資料的預測：

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)

構建問答系統，影象分類模型，神經圖靈機，word2vec 嵌入器或任何其他模型同樣快。深度學習背後的想法很簡單，那為什麼他們的實施會很痛苦呢？

你將找到更多高階模型：記憶體網路問答，帶堆疊 LSTM 的文字生成等示例資料夾 。