1、概述

    Keras是一个高级神经网络搭建工具，比TensorFlow更加高级，当然灵活性也就没那么高。Keras给出了各种深度学习结构的基础部件，我们只需要定义每一个部件的参数，全部连起来即可，很多细节都可以跳过，从而使得构造网络十分简单快速，不容易出错。

    Keras有Functional模型和Sequential模型，前者要更加灵活，后者编译速度快，Sequential是函数模型的一种特殊情况。

http://keras-cn.readthedocs.io/en/latest/for_beginners/concepts/

2、用Keras实现BP神经网络

    很简单，例子如下：

from keras.layers import Dropout, Flatten, Dense

from keras.models import Sequential

#用序贯模型

model = Sequential()

# 32指的是该层有32个神经元，input_shape是输入数据的形状

#需要注意的是，样本个数是不需要写在这里的，等于tensorflow里用None来填充

model.add(Dense(32, input_shape=(16,), activation=”relu”))

# 再增加一层32个神经元的层

model.add(Dense(32, activation=”relu”))

# 最后一层5个神经元，并使用softmax激活函数

model.add(Dense(5, activation=”softmax”))

# 显示网络结构

model.summary()

网络结构输入如下：

图中可以看到，每一层的OutputShape都有None，这就是batch。参数个数可以参考a=wx+b公式计算w和b的参数个数：

544 = 32*16+32

模型构造好了要编译

from keras import optimizers

model.compile(loss=’categorical_crossentropy’, optimizer=optimizers.Adam(lr=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0), metrics=[‘accuracy’])  

由于输出层有多个输出，所以使用了多类别的交叉熵损失函数，优化器使用Adam，需要指定学习率，Momentum参数等，最后metrics使用准确率。

定义一下测试数据

import numpy as np

n_perset = 50

x1 = np.random.rand(n_perset, 16)*0.5 + 0.1

x2 = np.random.rand(n_perset, 16)*0.5 + 0.2

x3 = np.random.rand(n_perset, 16)*0.5 + 0.3

x = np.r_[x1, x2, x3]

y = np.zeros(n_perset*3, dtype=np.int)

y[:n_perset] = np.ones(n_perset)

y[n_perset:n_perset*2] = np.ones(n_perset)*2

y = np.eye(3)[y[:]]  # one hot

由于x1、x2、x3有很多交叉部分，所以准确率估计不会是100%，用来试试算法效果

然后就是训练：

from keras.callbacks import ModelCheckpoint
checkpointer = ModelCheckpoint(filepath=’best.hdf5′, 
                               verbose=1, save_best_only=True)
his=model.fit(x, y, 
          #  validation_data=(vx, vy),  
          epochs=20, batch_size=10, callbacks=[checkpointer], verbose=1)

这里保存最好的一个结果，就是损失最小的那一次的模型，validation_data没有设置，设置了后每一个epoch会验证一次模型准确率，当然模型训练数据的acc每一个batch都会计算

最后稳定在80%多的准确率，如果将x搞得更加有区分度，准确率可以到100%。这里有个提示，没有validation_data不会保存最优模型。好吧。。

最后可以用训练好的模型来评估：