"""
1、30s上手keras
"""
#keras的核心数据结构是“模型”，模型是一种组织网络层的方式,keras 的主要模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈
from keras.models import Sequential
model=Sequential()
###将一些网络层通过.add()叠加起来，就构成了一个模型
from keras.layers import Dense,Activation
model.add(Dense(units=64,input_dim=100))
model.add(Activation(\'relu\'))
model.add(Dense(units=10))
model.add(Activation(\'softmax\'))
###完成模型的搭建以后，我们需要使用.compile（）方法编译
model.compile(loss=\'categorical_crossentropy\',optimizer=SGD(lr=0.01,momentum=0.9,nesterov=True))
## 完成编译以后，在训练数据上按照batch进行一定次数的迭代来训练网络
model.fit(x_train,y_train,epochs=5,batch_size=32)
## 当然，我们也可以手动的把一个个ｂａｔｃｈ送到网络中去训练
model.train_on_batch(x_batch,y_batch)
####可以使用一行代码来对模型进行评估，看看模型的指标是否满足我们的要求
loss_and_metrics=model.evaluate(x_test,y_test,batch_size=128)
###或者可以使用模型对新的数据进行预测
classes=model.predict(x_test,batch_size=128)
#搭建一个问答系统、图像分类模型，或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的
####2、快速开始Sequential模型
###Sequential模型是多个网络层的线性堆叠，也就是“一条路走到黑”
###可以通过向Sequential模型传递一个layer的list来构建模型
from keras.models import Sequential
from keras.layers import Dense,Activation
model=Sequential([Dense(32,units=784),Activation(\'relu\'),Dense(10),Activation(\'softmax\')])
###也可以通过add方式，
###指定输入数据的shape
###模型需要知道输入数据的shape，因此Sequential的第一层需要接受一个关于输入数据shape的参数，后面的每一层都可以自动的推导出中间的shape
###因此不需要为每层都指定这个参数
###（１）、传递一个 input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其实也可以填入None，填入None表示此位置是任何正整数
###（2）、有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的输入数据shape，一些3D的时域层支持参数input_dim和input_length来指定shape
###（3）、如果你需要为输入指定一个固定大小的batch_size（常用于stateful RNN网络），可以传递batch_size参数到一个层中，例如你想输入张量的batch
###大小是32，数据的shape是(6,8),那么你需要传递batch_size=32和input_dim=（6，8）
#编译 在训练模型之前，需要通过compile来对学习过程进行配置，接受三个参数
##（１）、优化器optimizier:该参数可以指定为预定义的优化器，如rmsprop、adagrad
##（２）、损失函数loss：该参数为模型是他最小化目标函数，可以为预定义的损失函数名，如categorical——crossentropy、mse
###(3)、指标列表 对于分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。
model.compile(optimizer=\'rmsprop\',loss=\'categorical_crossentropy\',metrics=[\'accuracy\'])
import keras.backend as K
def mean_pred(y_true,y_pred):
return K.mean(y_pred)
model.compile(optimizer=\'rmsprop\',loss=\'binary_crossentropy\',metrics=[\'accuracy\',mean_pred])
##训练 keras以Numpy数组作为输入数据和标签的数据类型，训练模型一般使用fit函数。###example1-基于多层感知器的softmax分类器
from keras.models import Sequential
from keras.layers import Dense,Dropout,Activation
from keras.optimizers import SGD
import numpy as np
import keras
##generate dummy data
x_train=np.random.random((1000,20))
y_train=keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)
x_test=np.random.random((100,20))
y_test=keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10)
##build model
model=Sequential()
# Dense(64) is a fully-connected layer with 64 hidden units.
# in the first layer, you must specify the expected input data shape:
# here, 20-dimensional vectors.
model.add(Dense(64,activation=\'relu\',input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64,activation=\'relu\'))
model.add(Dropout(0.5))
model.add(Dense(10,activation=\'softmax\'))
sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(loss=\'categorical_crossentropy\',optimizer=sgd,metrics=[\'accuracy\'])
model.fit(x_train,y_train,epochs=20,batch_size=128)
score=model.evaluate(x_test,y_test,batch_size=128)
print(score)
###例子2 MLP的二分类
import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Dropout
x_train=np.random.random((1000,20))
y_train=np.random.randint(2,size=(1000,1))
x_test=np.random.random((100,20))
y_test=np.random.randint(2,size=(100,1))
model=Sequential()
model.add(Dense(64,input_dim=20,activation=\'relu\'))
model.add(Dropout(0.5))
model.add(Dense(64,activation=\'relu\'))
model.add(Dropout(0.5))
model.add(Dense(1,activation=\'sigmoid\'))
model.compile(loss=\'binary_crossentropy\',optimizer=\'rmsprop\',metrics=[\'accuracy\'])
model.fit(x_train,y_train,epochs=20,batch_size=128)
model.evaluate(x_test,y_test,batch_size=128)