keras编译与训练过程

1.定义+compile

self.model = Model(inputs=[self.input_layer, self.sf_layer], outputs=output)

#或
model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

定义出了计算图的结构。

在训练之前要配置学习过程，通过compile来实现：

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

而这里的loss是和模型定义的输出以及在fit时的y有关的，就是计算两者的损失。

2.例子

2.1 定义计算图

 

根据选择的模型类型，初始化模型参数。

 

开始创建计算图：

 

这里的Input就是模型的输入，对应mode.fit中的x。下面是计算output的部分：

//上图中的slice只返回output，因为它的index被初始化为了0。（那么它在这里有什么意义？）

 

这是最终定义模型的语句，将计算图实例化了。

2.2 compile

 

 编译使用的是zinb损失。

 

 调用fit输入数据跑模型，其中output是用来和模型计算图中的输出一起一起计算loss的。

现在来关注一下loss：

 

模型初始化的时候将Π和散度初始化了进去，在loss函数的时候只有真的值和模型的预测输出，参数作为模型。

最终model.fit的输出是loss。