先吐槽一下这个基于theano的keras有多难装，反正我是在windows下折腾到不行(需要64bit,vs c++2015)，所以自己装了一个双系统。这才感到linux系统的强大之初，难怪大公司都是用这个做开发，妹的，谁用谁知道啊！！！！
先来介绍一下这个框架：我们都知道深度的神经网络，python一开始有theano这个框架用来写神经网络，不过后来我们发现keras这个比theano更加容易构建，很适合初学者。×..× 以下是对应的英文网站：，英文好的话自己都可以看懂了。一：先看安装
有两种：
１．ubuntu下直接用 sudo pip install keras 安装 ２．又或者先安装以下的依赖项：numpy, scipypyyamlTheanoHDF5 and h5py
Once you have the dependencies installed, clone the repo:
git clone
二.模块简介
１．optimizers:
这个是用来选用优化方法的，里面有SGD，Adagrad，Adadelta，RMSprop，Adam可选２．objectives 这个定义了用什么形式的误差来优化，有
mean_squared_error / mse：平均方差 mean_absolute_error / mae：绝对误差 mean_absolute_percentage_error / mape：平均绝对百分差 mean_squared_logarithmic_error / msle：对数误差 squared_hinge hinge binary_crossentropy: Also known as logloss. categorical_crossentropy:使用这个目标函数需要设置label为二进制数组的形式。３．model
model = keras.models.Sequential() 初始化一个神经网络 add 添加一层神经网 compile(optimizer, loss, class_mode=”categorical”): 参数： optimizer: str (优化函数的名称) 或者优化对象.参考 optimizers. loss: str (目标函数的名称) 或者目标函数. 参考 objectives. class_mode: 值为”categorical”, “binary”. 用于计算分类正确率或调用 predict_classes方法. theano_mode: A theano.compile.mode.Mode (reference). fit(X, y, batch_size=128, nb_epoch=100, verbose=1, validation_split=0., validation_data =None, shuffle=True, show_accuracy=False): 固定的 epochs训练一个模型. 返回值：记录在字典中的训练成功的损失值，也可是验证损失值或精确度（适用的话）. 参数： X: data. y: labels. batch_size: int. 每一次迭代的样本数目. nb_epoch: int. verbose: 0 表示不更新日志, 1 更新日志, 2 每个epoch一个进度行. validation_split: float (0 < x < 1).验证集的一部分. validation_data: tuple (X, y) 数据作为验证集. 将加载validation_split. shuffle: boolean. 每个 epoch是否随机抽取样本. show_accuracy: boolean. 每个epoch是否显示分类正确率. evaluate(X, y, batch_size=128, show_accuracy=False, verbose=1): 通过验证集的数据显示model的性能. Return: 返回数据的损失值. Arguments: 和上面fit函数定义相同. verbose用作二进制标识(进度条或无). predict(X, batch_size=128, verbose=1): Return: 测试数据的预测数组. Arguments: 和fit一样. predict_classes(X, batch_size=128, verbose=1): 返回test data的类预测数组. Return: 测试数据的标签数组. Arguments: 和fit一样. train(X, y, accuracy=False): 一个batch的梯度更新. if accuracy==False, return tuple (loss_on_batch, accuracy_on_batch). Else, return loss_on_batch. Return: 损失值, 或者tuple (loss, accuracy) if accuracy=True. test(X, y, accuracy=False): 一个batch的性能计算. if accuracy==False, return tuple (loss_on_batch, accuracy_on_batch). Else, return loss_on_batch. Return: 损失值, 或 tuple (loss, accuracy) if accuracy=True. save_weights(fname):保存所有层的权值到HDF5文件中. load_weights(fname): 加载保存在save_weights中模型权值. 只能加载相同结构的文件.下面是自己写的一个小程序
#coding:utf-8'''Created on 2015-9-12@author: zzq2015'''from keras.models import Sequentialfrom keras.layers.core import Dense, Dropout, Activation import scipy.io as sio import numpy as np model = Sequential() model.add(Dense(4, 200, init='uniform')) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(200, 100, init='uniform')) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(100, 50, init='uniform')) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(50, 20, init='uniform')) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(20, 3, init='uniform')) model.add(Activation('softmax')) model.compile(loss='binary_crossentropy', optimizer='adam', class_mode="binary") matfn=u'/media/zzq2015/学习/python/da/kerasTrain.mat' data=sio.loadmat(matfn) data = np.array(data.get('iris_train')) trainDa = data[:80,:4] trainBl = data[:80,4:] testDa = data[80:,:4] testBl = data[80:,4:] model.fit(trainDa, trainBl, nb_epoch=80, batch_size=20) print model.evaluate(testDa, testBl, show_accuracy=True) print model.predict_classes(testDa) print '真实标签：\n' print testBl 输出结果如下：
Epoch 7920/80 [======>.......................] - ETA: 0s - loss: 0.1042 40/80 [==============>...............] - ETA: 0s - loss: 0.0857 60/80 [=====================>........] - ETA: 0s - loss: 0.0826 80/80 [==============================] - 0s - loss: 0.1216 10/10 [==============================] - 0s [0.15986641560148043, 1.0] 10/10 [==============================] - 0s [[0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1] [0 0 1]] 真实标签： [[ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.] [ 0. 0. 1.]]
0.15是损失值，１是准确率
zhuan zai :http://blog.csdn.net/star_bob/article/details/48598417#comments