基本概念

1、tensorflow是keras的後端
2、tensor是張量，是向量和矩陣的推廣。張量的階數或維度稱為軸（axis）

import  numpy as np
a = np.array([[1,2],[3,4]])
sum1 = np.sum(a,axis=0) # axis=0代表按行計算
sum2 = np.sum(a,axis=1) # axis=1代表按列計算
print(sum1)
print(sum2)

output：

[4 6]
[3 7]

3、在tensorflow中表示1000張32*32的彩色圖片用四維張量（1000，32，32，3）來表示，把通道數放在最後，由於是彩色影像，有RGB三個通道。
4、在keras中有兩種模型 ①：序貫模型Sequential，單輸入單輸出層與層之間只有相鄰關係，沒有連線關係，編譯速度較快。②：圖模型Graph，支援多輸入多輸出，各個層之間可以任意連線，但編譯速度較慢。
5、深度學習的優化演算法是梯度下降演算法，使用batch_size可以把資料分為若干個批，按批來更新引數。也可避免一次送入網路資料過多，引起記憶體爆炸。
6、序貫模型Sequential，第一層需要接收一個關於輸入資料shape的參量

搭建模型

例：

from keras.models import Sequential
from keras.layers import Dense,Activation
model = Sequential()
model.add(Dense(16,input_dim=32))
model.add(Activation('relu'))

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 64)                8256      
_________________________________________________________________
activation (Activation)      (None, 64)                0         
=================================================================
Total params: 8,256
Trainable params: 8,256
Non-trainable params: 0
_________________________________________________________________

模型的配置

在訓練模型之前，需要用compile來進行配置。
compile接受三個引數 （1）優化器optimizer （2）損失函式loss （3）指標列表metrics

模型的訓練

model.fit
執行訓練過程，告知訓練集和測試集的輸入特徵和標籤，告知batch
model.fit(訓練集的輸入特徵，訓練集的標籤，
batch_size= , epochs= ,
validation_data=(測試集的輸入特徵，測試集的標籤),
validation_split=從訓練集劃分多少比例給測試集,
validation_freq=多少次epoch迭代用測試集測試一次結果)
epochs是指把所有的資料訓練多少遍

模型的儲存

可以使用model.save(filepath)的方法將keras的模型和權重儲存在一個檔案中。可以使用model.load_model(filepath)來例項化模型。

from keras.models import load_model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
del model # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')