from keras.datasets import boston_housing
from keras import models
from keras import layers

(X_train, y_train), (X_test, y_test) = boston_housing.load_data()#加载数据

#对数据进行标准化预处理，方便神经网络更好的学习
mean = X_train.mean(axis=0)
X_train -= mean
std = X_train.std(axis=0)
X_train /= std
X_test -= mean
X_test /= std

#构建神经网络模型
def build_model():
    #这里使用Sequential模型
    model = models.Sequential()
    #进行层的搭建，注意第二层往后没有输入形状(input_shape)，它可以自动推导出输入的形状等于上一层输出的形状
    model.add(layers.Dense(64, activation='relu',input_shape=(X_train.shape[1],)))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(1))
    #编译网络
    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
    return model

num_epochs = 100
model = build_model()
model.fit(X_train, y_train,epochs=num_epochs, batch_size=1, verbose=0)
predicts = model.predict(X_test)

    在实际操作中可以用自己的数据进行测试，最终预测出的predicts，可以利用回归评价指标和y_test进行模型效果的评价。

Ubuntu中利用h5py保存训练好的keras神经网络模型

利用h5py保存的模型所占的空间非常小。在利用h5py保存keras训练好的模型之前需要先安装h5py，具体安装过程詳細如下。


（1）利用h5py保存和读取keras模型的代码如下：
import h5py from keras.models import model_from_json
json_string = model.to_json()
open('my_model_architecture.json','w').write(json_string)
model.save_weights('my_model_weights.h5')
 #读取model
model = model_from_json(open('my_model_architecture.json').read())
model.load_weights('my_model_weights.h5')

（2）安装h5py步驟：
直接利用 sudo pip install h5py 首先出现没有cython；安装完cython后会提示一个g++错误，这是由于没有安装hdf5；安装完hdf5再安装h5py就能够成功安装。

安装h5py的命令如下：
sudo pip install cython
sudo apt-get install libhdf5-dev
sudo pip install h5py
安装完成后可以用如下命令測試：
userT@t5810:~$ python
Python 2.7.6 (default, Oct 26 2016, 20:30:19) 
[GCC 4.8.4] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> 
>>> import h5py
>>> 

轉載自：
http://blog.csdn.net/linmingan/article/details/50736300
http://blog.csdn.net/linmingan/article/details/50736615

我是一个python小白，最近在学习一些有关神经网络的知识：

偶然之间发现了一本有关keras的书还不错，有详细的代码，我也不知道该怎么学习keras，先从分析代码开始，内容会有点啰唆，大神轻喷。以下代码引自《keras深度学习实战》
from __future__ import print_function 
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

np.random.seed(1671)  # 重复性设置

# 网络和训练
NB_EPOCH = 200
BATCH_SIZE = 128
VERBOSE = 1
NB_CLASSES = 10   # 输出个数等于数字个数
OPTIMIZER = SGD() # SGD 优化器
N_HIDDEN = 128
VALIDATION_SPLIT=0.2 # 训练集中用作验证集的数据比例

#数据：混合并划分训练集和测试集
#
(X_train, y_train), (X_test, y_test) = mnist.load_data()

#X_train 是 60000 行 28x28 的数据 --> 变形为 60000 x 784
RESHAPED = 784
#
X_train = X_train.reshape(60000, RESHAPED)
X_test = X_test.reshape(10000, RESHAPED)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

# 归一化处理
#
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# 将类向量转换为二值类别矩阵
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

# 10个输出
# 最后是softmax激活函数

model = Sequential()
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,))) # 全连接层
model.add(Activation('softmax')) #激活层

model.summary()  #打印出模型概况，它实际调用的是keras.utils.print_summary

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

history = model.fit(X_train, Y_train,
                    batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                    verbose=VERBOSE, validation_split=VALIDATION_SPLIT) #verbose 是日志显示
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

上面的代码用Keras定义一个识别MNIST手写数字的网络，利用一个简单的神经网络最后训练出来的效果其实还挺好的。



利用keras构建神经网络模型其实很简洁

1.模块导入
#
from __future__ import print_function 
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

咱们一行一行解释这些代码是干啥用的？
from __future__ import print_function

加上这句话后，即使在python2.X，使用print就得像python3.x那样加括号使用。python2.X中print不需要括号，而在python3.X中则需要。如果是python3.X版本，这句话加不加都没影响。
import numpy as np

导入numpy库，NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

第一行是从keras.datasets加载手写数字数据集,keras主要有7种，详细介绍可以参考这位大神写的博客 https://blog.csdn.net/weixin_41770169/article/details/80249986

第二行是从keras.models 中导入序贯（Sequential）模型，序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。官方文档有具体解释： https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

第三行 layer是层，Dense是全连接层，Activation是激活层

第四行是优化器optimizer, 这个模型使用的是SGD随机梯度下降优化算法

第五行 这个的功能是实现编码输出标签。

利用keras搭积木，快速搭建出一个神经网络模型，训练鸢尾花分类
代码
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.io import loadmat
from sklearn.model_selection import train_test_split
import keras
from keras.models import Sequential
from keras.layers import Dense

# 导入数据
path = '../Data/iris.data'
data = pd.read_csv(path, names=['Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','Species'])
data.head(10)


# 映射函数iris_type: 将string的label映射至数字label
def iris_type(s):
    class_label = {'Iris-setosa':0, 'Iris-versicolor':1, 'Iris-virginica':2}
    return class_label[s]
Data = pd.read_csv(path,names=['Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','Species'], converters = {4:iris_type})
Data.head(10)


# 变量初始化
# 最后一列为y，其余为x
cols = Data.shape[1] #列数 shape[0]行数 [1]列数
X = Data.iloc[:,0:cols-1]       #取前cols-1列，即输入向量
y = Data.iloc[:,cols-1:cols]    #取最后一列，即目标变量
X = np.array(X)
y = np.array(y)
y = y.flatten()       # 对y进行降维

def realdata(y,k):
    real = np.zeros(shape=(k,len(y)))
    for i in range(0,k):
        y_i = np.array([1 if label == i else 0 for label in y])
        real[i] = y_i
    return real.T
y = realdata(y,3)
y


X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)
#y_train=y_train.T
X_train.shape,y_train.shape

# 搭建神经网络
# 搭建神经网络
model = Sequential()
model.add(Dense(units=5, activation='relu',input_dim = 4))   # 输入层，5个激活单元，激活函数为relu，输入数据维度为（4，）
model.add(Dense(units=5, activation='relu'))                 # 隐藏层，5个激活单元，激活函数为relu
model.add(Dense(units=3, activation='softmax'))              # 输出层，3个输出单元，激活函数为softmax)

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

model.fit(X_train,y_train,batch_size=1,epochs = 20)


result = model.predict(X_test)
np.round(result,2)


score = model.evaluate(X_test,y_test)
print('loss值为：',score[0])
print('准确率为：',score[1])