理解keras中的quential模型
keras中的主要数据结构是model（模型），它提供定义完整计算图的⽅法。通过将图层添加到现有模型/计算图，我们可以构建出复杂的神经⽹络。
Keras有两种不同的构建模型的⽅法：
1. Sequential models
2. Functional API
keven本⽂将要讨论的就是keras中的Sequential模型。
理解Sequential模型
Sequential模型字⾯上的翻译是顺序模型，给⼈的第⼀感觉是那种简单的线性模型，但实际上Sequential模型可以构建⾮常复杂的神经⽹络，包括全连接神经⽹络、卷积神经⽹络(CNN)、循环神经⽹络(RNN)、等等。这⾥的Sequential更准确的应该理解为堆叠，通过堆叠许多层，构建出深度神经⽹络。
如下代码向模型添加⼀个带有64个⼤⼩为3 * 3的过滤器的卷积层:
dels import Sequential
from keras.layers import Den, Activation,Conv2D,MaxPooling2D,Flatten,Dropout
model = Sequential()
model.add(Conv2D(64, (3, 3), activation='relu'))
Sequential模型的核⼼操作是添加layers（图层），以下展⽰如何将⼀些最流⾏的图层添加到模型中：
卷积层
model.add(Conv2D(64, (3, 3), activation='relu'))
最⼤池化层
model.add(MaxPooling2D(pool_size=(2, 2)))
全连接层圆锥曲线方程
五十步笑百步译文
iphonesmodel.add(Den(256, activation='relu'))
dropout
model.add(Dropout(0.5))
Flattening layer(展平层)
model.add(Flatten())
基本的Sequential模型开发流程
cambodia
从我们所学习到的机器学习知识可以知道，机器学习通常包括定义模型、定义优化⽬标、输⼊数据、训练模型，最后通常还需要使⽤测试数据评估模型的性能。keras中的Sequential模型构建也包含这些步骤。
⾸先，⽹络的第⼀层是输⼊层，读取训练数据。为此，我们需要指定为⽹络提供的训练数据的⼤⼩，这⾥input_shape参数⽤于指定输⼊数据的形状：现在完成时讲解
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))
上⾯的代码中，输⼊层是卷积层，其获取224 * 224 * 3的输⼊图像。
接下来就是为模型添加中间层和输出层，请参考上⾯⼀节的内容，这⾥不赘述。
然后，进⼊最重要的部分: 选择优化器（如rmsprop或adagrad）并指定损失函数（如categorical_crosntropy）来指定反向传播的计算⽅法。在keras中，Sequential模型的compile⽅法⽤来完成这⼀操作。例如，在下⾯的这⼀⾏代码中，我们使⽤’rmsprop’优化器，损失函数为’binary_crosntropy’。
optimizer='rmsprop')
到这⼀步，我们创建了模型，接下来就是调⽤fit函数将数据提供给模型。这⾥还可以指定批次⼤⼩（batch size）、迭代次数、验证数据集等等。其中批次⼤⼩、迭代次数需要根据数据规模来确定，并没有⼀个固定的最优值。
model.fit(x_train, y_train, batch_size=32, epochs=10,validation_data=(x_val, y_val))
最后，使⽤evaluate⽅法来评估模型：
score = model.evaluate(x_test，y_test，batch_size = 32)
以上就是在Keras中使⽤Sequential模型的基本构建块，相对于tensorflow，keras的代码更少，接⼝更加清晰，更重要的是，keras的后端框架切（⽐如从tensorflow切换到Theano）换后，我们的代码不需要做任何修改。
使⽤Sequential模型解决线性回归问题
谈到tensorflow、keras之类的框架，我们的第⼀反应通常是深度学习，其实⼤部分的问题并不需要深度学习，特别是在数据规模较⼩的情况下，⼀些机器学习算法就可以解决问题。除了构建深度神经⽹络，keras也可以构建⼀些简单的算法模型，下⾯以线性学习为例，说明使⽤keras解决线性回归问题。
线性回归中，我们根据⼀些数据点，试图找出最拟合各数据点的直线。为了说明这⼀问题，我们创建100个数据点，然后通过回归找出拟合这100个数据点的直线。
1. 创建训练数据
import keras
dels import Sequential
from keras.layers import Den
right here waiting歌词import numpy as np
trX = np.linspace(-1, 1, 101)
trY = 3 * trX + np.random.randn(*trX.shape) * 0.33
上⾯这段代码创中，TrainX的值在-1和1之间均匀分布，⽽TrainY的值为TrainX的三倍，但增加了⼀些随机扰动。
1. 创建模型
model = Sequential()
model.add(Den(input_dim=1, output_dim=1, init='uniform', activation='linear'))
代码创建⼀个Sequential模型，这⾥使⽤了⼀个采⽤线性激活的全连接(Den)层。它实际上封装了输⼊值x乘以权重w，加上偏置(bias)b，然后进⾏线性激活以产⽣输出。
我们可以查看默认初始化的权重和偏置值：
weights = model.layers[0].get_weights()
w_init = weights[0][0][0]
b_init = weights[1][0]
print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
1. 选择优化器和损失函数
高等学校英语应用能力考试成绩查询选择简单的梯度递减优化算法，损失函数选择均⽅差(mean squared error, m)。
1. 训练模型
model.fit(trX, trY, nb_epoch=200, verbo=1)
训练完毕之后，我们可以再看看权重值和偏置值
weights = model.layers[0].get_weights()
foot locker
w_final = weights[0][0][0]
b_final = weights[1][0]
print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))
最后的结果为
Linear regression model is trained to have weight w: 2.94, b: 0.08
可以看到，进⾏200次迭代之后，权重值现在⾮常接近3。我们可以尝试修改迭代次数，看看不同迭代次数下得到的权重值。
crma这段例⼦仅仅作为⼀个简单的⽰例，所以没有做模型评估，有兴趣的同学可以构建测试数据⾃⼰尝试⼀下。
总结
keras中的Sequential模型其实⾮常强⼤，⽽且接⼝简单易懂，⼤部分情况下，我们只需要使⽤Sequential模型即可满⾜需求。在某些特别的场合，可能需要更复杂的模型结构，这时就需要Functional API，在后⾯的教程中，我将探讨Functional API。
参考
1.
2.
