keras简化了构建深度学习的步骤

高层库

底层库为tensorflow

keras 人工神经网络官网，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。

#encoding=utf-8
'''
Keras
另一种机器学习模型人工神经网络
人工神经网络有两个比较著名的框架，一个是诞生于LISA lab的Theano，一个是谷歌开源的Tensorflow
Keras是二者的高层应用API，简化了构建人工神经网络的步骤，让人工神经网络更容易实现
Windows下的Tensorflow还不是很成熟，所以接下来的实例中采用基于Theano的Keras
官网：https://keras.io/

1、人工神经网络简单介绍Neural Net
人工神经网络的是一种机器学习运算模型
计算学习的运算模型本质上来说就是构造一种映射函数，人工神经网络也不例外
从数学上可以证明，人工神经网络可以映射成所有的非线性函数
神经网络由大量的节点（或者我们可以称之为神经元）直接相互连接构成的
通过对节点的输入进行加权求和，这里的节点的输入不一定是网络的输入，这里的权值就是模型所需要训练的参数，最后通过一个非线性函数，实现对模型的非线性处理
常用的非线性函数：sigmoid、thanh、ReLU、softplus
人工神经网络一般分为输入层（Input layer）、隐含层（Hidden layer）、输出层（Output layer）
层与层之间相互连接，一般情况下同一层以内是不进行连接的，当然也有特殊情况比如RNN节点对自己进行反馈连接
一般的数据分析中，隐含层只有一层就够了，如果隐含层有很多层的就是深度学习网络（其参数计算过程与浅层神经网络的训练过程不太一样）

2、keras实现人工神经网络Keras Installation & Neural Network with Keras
Installation：因为Anaconda不自带，所以需要额外安装
1、打开Anaconda命令行prompt
2、输入命令conda install mingw libpython
3、输入命令pip install keras（windows下会先安装theano再安装keras）
然后使用pycharm运行程序一次报错No module named tensorflow
这里是因为如果使用theano下的keras需要指定
只要运行过keras就会在电脑有c:\user\电脑名字\keras\keras.jason
备份之后修改这个文件，修改两处，修改为"image_dim_ordering":"th"和"backend":"theano"，保存关掉
再运行提示用的是Theano客户端（Using Theano backend）就成功了
'''
import numpy as np
from keras.models import Sequential#Sequential可以认为是人工神经网络各个层的容器
from keras.layers import Dense,Activation#Dense表示那些求和的层，Activation就是激活函数
from keras.optimizers import SGD#这里指的是随机梯度下降算法
def main():
    from sklearn.datasets import load_iris#继续使用上一节的iris数据集
    iris=load_iris()
    #由于神经网络用的是分类器，所以需要把序列进行标签化
    print(iris["target"])#输出的结果只有三种要么0要么1要么2
    from sklearn.preprocessing import LabelBinarizer#进行标签化
    print(LabelBinarizer().fit_transform(iris["target"]))
    #下一步分成训练集和测试集，并进行标签化处理
    train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2,random_state=1)
    labels_train=LabelBinarizer().fit_transform(train_target)
    labels_test = LabelBinarizer().fit_transform(test_target)
    #下一步构建神经网络层
    model=Sequential(
        [
            Dense(5,input_dim=4),#输出有5个，输入有4个，定义四个属性值
            Activation("relu"),#激活函数是relu
            Dense(3),#下一个输入就是上一层的输出，一共5个这里可以省略了，只定义3个它的输出，这里是012三个label
            Activation("sigmoid"),#激活函数选择sigmoid
        ]
    )
    #还可以使用另一种方式定义结构,先定义一个Sequential，然后一层一层往里加也是可以的
    # model=Sequential()
    # model.add(Dense(5,input=4))

    #下面定义一个随机梯度下降算法的优化器
    sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)#lr因子，decay表示远离弧长，momentum实质因子
    model.compile(optimizer=sgd,loss="categorical_crossentropy")#指定优化器optimizer，隐身函数loss
    model.fit(train_data,labels_train,nb_epoch=200,batch_size=40)#用训练数据进行训练，注意这里用的是labels_train
    #nb_epoch表示训练多少轮，batch_size表示训练一批共多少个数据
    #接下来可以预测
    print(model.predict_classes(test_data))#输入测试集

    #还可以用上一节讲到的混淆矩阵和准确率

    #模型比较大的话，参数训练可能会消耗比较多的时间，可以把这些因子存下来，以便下次再用
    model.save_weight("./data/w")#保存到指定目录
    model.load_weight("./data/w")#下一次直接读取出来

if __name__=='__main__':
    main()

keras:人工神经网络；

            Keras是一个高级神经网络API，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。它的开发重点是实现快速实验。能够以最小的延迟从想法到结果是进行良好研究的关键。

官网：https://keras.io/

#keras数据分析官网：

http://keras.io/

keras 人工神经网络官网