keras网络的各层

网络就像是一层层连起来或者说叠加起来&＃xff0c;keras训练网络分为以下步骤&＃xff1a;定义》编译》训练》评估》预测

# 简易多层感知神经网络示例
from keras.models import Sequential
from keras.layers import Dense
import numpy
# 加载&＃xff0c;预处理数据集
dataset &＃61; numpy.loadtxt("pima-indians-diabetes.csv", delimiter&＃61;",")
X &＃61; dataset[:,0:8]
Y &＃61; dataset[:,8]
# 1. 定义模型
model &＃61; Sequential()
model.add(Dense(12, input_dim&＃61;8, activation&＃61;&＃39;relu&＃39;))
model.add(Dense(1, activation&＃61;&＃39;sigmoid&＃39;))
# 2. 编译模型
##优化器optimizer&＃xff0c;损失函数loss&＃xff0c;评估指标metrics。
##编译的过程也是 Keras 将我们刚定义好的模型转化为底层平台&＃xff08;TensorFlow 或 Theano&＃xff09;结构描述过程&＃xff0c;底层平台会负责后续的计算任务&＃xff0c;GPU、CPU 的调度选择&＃xff0c;分布式运行等。
model.compile(loss&＃61;&＃39;binary_crossentropy&＃39;, optimizer&＃61;&＃39;adam&＃39;, metrics&＃61;[&＃39;accuracy&＃39;])
# 3. 训练模型
history &＃61; model.fit(X, Y, nb_epoch&＃61;100, batch_size&＃61;10)
# 4. 评估模型
loss, accuracy &＃61; model.evaluate(X, Y)
print("\nLoss: %.2f, Accuracy: %.2f%%" % (loss, accuracy*100))
# 5. 数据预测
probabilities &＃61; model.predict(X)
predictions &＃61; [float(round(x)) for x in probabilities]
accuracy &＃61; numpy.mean(predictions &＃61;&＃61; Y)
print("Prediction Accuracy: %.2f%%" % (accuracy*100))