BP 神经网络的简单实现
from keras.models import Sequential #导入模型 from keras.layers.core import Dense #导入常用层 train_x,train_y #训练集 test_x,text_y #测试集 model=Sequential() #初始化模型 model.add(Dense(3,input_shape=(32,),activation='sigmoid'，init='uniform'))) #添加一个隐含层，注：只是第一个隐含层需指定input_dim model.add(Dense(1,activation='sigmoid')) #添加输出层 model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy']) # 编译，指定目标函数与优化方法 model.fit(train_x,train_y ) # 模型训练 model.evaluate(test_x,text_y ) #模型测试
常用层
常用层对应于core模块，core内部定义了一系列常用的网络层，包括全连接、激活层等
Dense层
keras.layers.core.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。
如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。
#example
# as first layer in a sequential model:
| model = Sequential()
| model.add(Dense(32, input_shape=(16,)))
| # now the model will take as input arrays of shape (*, 16)
| # and output arrays of shape (*, 32)
|
| # after the first layer, you don't need to specify
| # the size of the input anymore:
| model.add(Dense(32))
Keras主要包括14个模块，本文主要对Models、layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics共计8个模块分别展开介绍。
1. Model
包：keras.models
这是Keras中最主要的一个模块，用于对各个组件进行组装
eg:
from keras.models import Sequential
model=Sequential() #初始化模型
model.add(...) #可使用add方法组装组件
2. layers
包：keras.layers
该模块主要用于生成神经网络层，包含多种类型，如Core layers、Convolutional layers等
eg:
from keras.layers import Dense #Dense表示Bp层
model.add(Dense(input_dim=3,output_dim=5)) #加入隐含层
3. Initializations
包：keras.initializations
该模块主要负责对模型参数（权重）进行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等
详细说明：http://keras.io/initializations/
eg:
model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入带初始化（uniform）的隐含层
4. Activations
包：keras.activations、keras.layers.advanced_activations（新激活函数）
该模块主要负责为神经层附加激活函数，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比较新的激活函数
详细说明：http://keras.io/activations/
eg:
model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入带激活函数（sigmoid）的隐含层
Equal to:
model.add(Dense(input_dim=3,output_dim=5))
model.add(Activation('sigmoid'))
5. Objectives
包：keras.objectives
该模块主要负责为神经网络附加损失函数，即目标函数。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss
注：目标函数的设定是在模型编译阶段
详细说明：http://keras.io/objectives/
eg:
model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目标函数
6. Optimizers
包：keras.optimizers
该模块主要负责设定神经网络的优化方法，如sgd。
注：优化函数的设定是在模型编译阶段
详细说明：http://keras.io/optimizers/
eg:
model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指优化方法
7. Preprocessing
包：keras.preprocessing.(image\sequence\text)
数据预处理模块，不过本人目前尚未用过
8. metrics
包：keras.metrics
与sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的评价方法
eg:
predict=model.predict_classes(test_x) #输出预测结果
keras.metrics.binary_accuracy(test_y,predict) #计算预测精度
