Keras简介
目录
- Keras简介
- Keras 的主要特点
- Keras 的核心组件
- 模型（Model）
- 层（Layer）
- 损失函数（Loss Function）
- 优化器（Optimizer）
- 回调（Callback）
Keras简介
Keras 是一个高级神经网络API，它以简单性和快速实验设计为目标。Keras 既可以作为独立工具使用，也可以作为 TensorFlow、Microsoft Cognitive Toolkit (CNTK) 和 Theano 等后端的接口。
Keras 的主要特点
- 用户友好：Keras 提供了一个一致且简洁的API，减少了常见用例所需的代码量，同时提供清晰且有用的错误消息。
- 模块化和可组合：模型可以理解为由可配置构建块（如层、损失函数、优化器等）组成的有向无环图，这些构建块可以任意连接，只要数据形状匹配即可。
- 易于扩展：很容易编写新的层、损失函数和开发复杂的模型，比如多输入/输出模型、共享层模型或非序列模型。
- 与Python兼容：Keras没有单独的模型配置格式，所有的模型都是纯 Python 构建的，这使得它可以利用 Python 工具进行调试和检查。
Keras 的核心组件
模型（Model）
Keras 中有两种类型的模型：
- Sequential：线性堆叠的层，适合简单的模型结构。
- Functional API：更灵活，允许创建具有多个输入、输出或复杂拓扑的模型。
层（Layer）
层是构成模型的基本单元，它们接收输入张量并输出其他张量。常见的层类型包括：
- Dense：全连接层
- Conv2D：二维卷积层，常用于图像处理
- LSTM：长短期记忆层，适用于序列数据
- Embedding：将整数索引转换为密集向量
损失函数（Loss Function）
损失函数用于评估模型预测与实际标签之间的误差。常用的损失函数有：
- binary_crossentropy：二分类问题
- categorical_crossentropy：多分类问题
- mse（均方误差）：回归问题
优化器（Optimizer）
优化器决定了如何根据损失函数的梯度更新模型参数。常见的优化器有：
- SGD：随机梯度下降
- Adam：自适应矩估计
- RMSprop：均方根传播
回调（Callback）
回调是在训练过程中的不同阶段执行的操作，例如：
- ModelCheckpoint：定期保存模型
- EarlyStopping：当验证集性能不再改善时提前停止训练
- TensorBoard：可视化训练过程
中文官方文档：https://keras-zh.readthedocs.io/