前提说明

一个一个编写前向传播和后向传播是十分麻烦的，一些打包好的机器学习框架可以帮助我们解决这些问题。这里简单了解keras框架,然后记录**课程《小白也能听懂的人工智能课》**中几个简单的应用例子。

1. 机器学习框架-keras

1.1 keras框架的特点

》Keras框架实现了机器学习神经网络底层复杂数学运算的封装，可以通过它提供的上层接口搭建模型。
除了Keras框架外，还有Tensorflow等框架。
》相比于Tensorflow框架，Keras更像是python，其主要特点是简单易用。但不如Tensorflow（更接近C语言）灵活和强大。

1.2 keras框架实现一个神经元的建立的过程

（1）导入keras框架

from keras.models import Sequential

（2）创建模型

model = Sequential()

(3)创建一个神经元

model.add(Dense(uints=, activation='', input_dim = ))

其中
Dense： 设置神经元层数，是一个全链接层
uiits: 设置当前层的神经元数量
activation:设置激活函数类型
input_dim：输入数据特征维度

（4）告诉keras使用什么样的代价函数和调整方法

model.compile(loss='',optimizer='',metrics=[''])

其中：
loss： 设置代价函数
optimizer : 设置优化器，包括学习率等
metrics： 设置评估标准

（5）开始训练

model.fit(x,y,epochs=,batch_size=)

其中
x：观测量中的自变量数据
y: 观测量中的因变量数据
epochs：设置训练回合数
batch_size： 批量数

2. 举例说明

2.1 一个神经元 和输入特征为1的案例

（1）数据源

（2）导入keras和层

from keras.models import Sequential
from keras.layers import Dense

（2）设置层

model = Sequential()
model.add(Dense(units=1, activation='sigmoid', input_dim = 1))

Sequential 是堆叠神经元的载体，神经元堆叠在一起形成一个网络预测模型（model）
在这个model内部增加一个全连接层：
uiits=1: 设置当前层的神经元数量为1
activation=‘sigmoid’:设置激活函数类型为sigmoid
input_dim=1：输入数据特征维度,因为数据维度只有1个 所以设置为1
（3）设置代价函数和梯度下降算法

model.compile(loss='mean_squared_error',optimizer=SGD(lr=0.01),metrics=['accuracy'])

loss： 设置代价函数为均方根误差
optimizer : 设置SGD（梯度下降），以及学习率lr为0.01
metrics： 设置精度为评估标准

（4）开始训练

model.fit(X,Y,epochs=5000, batch_size=10)

训练回合为5000
每次使用观测量中的10个数据
（5）针对训练结果查看预测结果

pres = model.predict(X)

2.2 多神经元 和单输入特征为1的案例

（1）数据源导入

（2）导入keras和层

from keras.models import Sequential
from keras.layers import Dense

（2）设置层

model = Sequential()
model.add(Dense(units=2, activation='sigmoid', input_dim = 1))
model.add(Dense(units=1, activation='sigmoid'))

与前面不同，这里有3个神经元，共两层
因此需要再增加一个model.add
注：由于Dense是全链接，所以第二个add不需要再写输入维度。

（3）设置代价函数和梯度下降算法

model.compile(loss='mean_squared_error',optimizer=SGD(lr=0.05),metrics=['accuracy'])

loss： 设置代价函数为均方根误差
optimizer : 设置SGD（梯度下降），以及学习率lr为0.05 （调参）
metrics： 设置精度为评估标准

（4）开始训练

model.fit(X,Y,epochs=5000, batch_size=10)

训练回合为5000
每次使用观测量中的10个数据
（5）针对训练结果查看预测结果

pres = model.predict(X)

2.3 多输入，单神经元

（1）数据导入

输入数据参数为：大小，和颜色
数据特征是线性可分

（2）导入keras和层

from keras.models import Sequential
from keras.layers import Dense

（2）设置层

model = Sequential()
model.add(Dense(units=1, activation='sigmoid', input_dim = 2))

与前面不同，这里数据有2个维度，所以输入维度设置为2

（3）设置代价函数和梯度下降算法

model.compile(loss='mean_squared_error',optimizer=SGD(lr=0.05),metrics=['accuracy'])

loss： 设置代价函数为均方根误差
optimizer : 设置SGD（梯度下降），以及学习率lr为0.05 （调参）
metrics： 设置精度为评估标准

（4）开始训练

model.fit(X,Y,epochs=5000, batch_size=10)

训练回合为5000
每次使用观测量中的10个数据
（5）针对训练结果查看预测结果

pres = model.predict(X)

2.4 多输入多神经元案例

（1）数据导入

复杂数据集

（2）设置层

model = Sequential()
model.add(Dense(units=2, activation='sigmoid', input_dim = 2))
model.add(Dense(units=1, activation='sigmoid'))

这里有3个神经元，共两层，且2个输入
因此需要再增加一个model.add
注：由于Dense是全链接，所以第二个add不需要再写输入维度。

（3）设置代价函数和梯度下降算法

model.compile(loss='mean_squared_error',optimizer=SGD(lr=0.05),metrics=['accuracy'])

loss： 设置代价函数为均方根误差
optimizer : 设置SGD（梯度下降），以及学习率lr为0.05 （调参）
metrics： 设置精度为评估标准

（4）开始训练

model.fit(X,Y,epochs=5000, batch_size=10)

训练回合为5000
每次使用观测量中的10个数据
（5）针对训练结果查看预测结果

pres = model.predict(X)