Python實現Keras搭建神經網絡訓練分類模型教程

我就廢話不多說了，大家還是直接看代碼吧~

註釋講解版：

  # Classifier example    import numpy as np  # for reproducibility  np.random.seed(1337)  # from keras.datasets import mnist  from keras.utils import np_utils  from keras.models import Sequential  from keras.layers import Dense, Activation  from keras.optimizers import RMSprop    # 程序中用到的數據是經典的手寫體識別mnist數據集  # download the mnist to the path if it is the first time to be called  # X shape (60,000 28x28), y  # (X_train, y_train), (X_test, y_test) = mnist.load_data()  # 下載minst.npz：  # 鏈接: https://pan.baidu.com/s/1b2ppKDOdzDJxivgmyOoQsA  # 提取碼: y5ir  # 將下載好的minst.npz放到當前目錄下  path='./mnist.npz'  f = np.load(path)  X_train, y_train = f['x_train'], f['y_train']  X_test, y_test = f['x_test'], f['y_test']  f.close()    # data pre-processing  # 數據預處理  # normalize  # X shape (60,000 28x28)，表示輸入數據 X 是個三維的數據  # 可以理解為 60000行數據，每一行是一張28 x 28 的灰度圖片  # X_train.reshape(X_train.shape[0], -1)表示：只保留第一維，其餘的緯度，不管多少緯度，重新排列為一維  # 參數-1就是不知道行數或者列數多少的情況下使用的參數  # 所以先確定除了參數-1之外的其他參數，然後通過(總參數的計算) / (確定除了參數-1之外的其他參數) = 該位置應該是多少的參數  # 這裡用-1是偷懶的做法,等同於 28*28  # reshape後的數據是：共60000行，每一行是784個數據點（feature）  # 輸入的 x 變成 60,000*784 的數據，然後除以 255 進行標準化  # 因為每個像素都是在 0 到 255 之間的，標準化之後就變成了 0 到 1 之間  X_train = X_train.reshape(X_train.shape[0], -1) / 255  X_test = X_test.reshape(X_test.shape[0], -1) / 255  # 分類標籤編碼  # 將y轉化為one-hot vector  y_train = np_utils.to_categorical(y_train, num_classes = 10)  y_test = np_utils.to_categorical(y_test, num_classes = 10)    # Another way to build your neural net  # 建立神經網絡  # 應用了2層的神經網絡，前一層的激活函數用的是relu，後一層的激活函數用的是softmax  #32是輸出的維數  model = Sequential([    Dense(32, input_dim=784),    Activation('relu'),    Dense(10),    Activation('softmax')  ])    # Another way to define your optimizer  # 優化函數  # 優化算法用的是RMSprop  rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)    # We add metrics to get more results you want to see  # 不自己定義，直接用內置的優化器也行，optimizer='rmsprop'  #激活模型：接下來用 model.compile 激勵神經網絡  model.compile(    optimizer=rmsprop,    loss='categorical_crossentropy',    metrics=['accuracy']  )    print('Training------------')  # Another way to train the model  # 訓練模型  # 上一個程序是用train_on_batch 一批一批的訓練 X_train, Y_train  # 默認的返回值是 cost，每100步輸出一下結果  # 輸出的樣式與上一個程序的有所不同，感覺用model.fit()更清晰明瞭  # 上一個程序是Python實現Keras搭建神經網絡訓練迴歸模型：  # https://blog.csdn.net/weixin_45798684/article/details/106503685  model.fit(X_train, y_train, nb_epoch=2, batch_size=32)    print(' Testing------------')  # Evaluate the model with the metrics we defined earlier  # 測試  loss, accuracy = model.evaluate(X_test, y_test)    print('test loss:', loss)  print('test accuracy:', accuracy)

運行結果：

  Using TensorFlow backend.    Training------------    Epoch 1/2      32/60000 [..............................] - ETA: 5:03 - loss: 2.4464 - accuracy: 0.0625   864/60000 [..............................] - ETA: 14s - loss: 1.8023 - accuracy: 0.4850    1696/60000 [..............................] - ETA: 9s - loss: 1.5119 - accuracy: 0.6002    2432/60000 [>.............................] - ETA: 7s - loss: 1.3151 - accuracy: 0.6637   3200/60000 [>.............................] - ETA: 6s - loss: 1.1663 - accuracy: 0.7056   3968/60000 [>.............................] - ETA: 5s - loss: 1.0533 - accuracy: 0.7344   4704/60000 [=>............................] - ETA: 5s - loss: 0.9696 - accuracy: 0.7564   5408/60000 [=>............................] - ETA: 5s - loss: 0.9162 - accuracy: 0.7681   6112/60000 [==>...........................] - ETA: 5s - loss: 0.8692 - accuracy: 0.7804   6784/60000 [==>...........................] - ETA: 4s - loss: 0.8225 - accuracy: 0.7933   7424/60000 [==>...........................] - ETA: 4s - loss: 0.7871 - accuracy: 0.8021   8128/60000 [===>..........................] - ETA: 4s - loss: 0.7546 - accuracy: 0.8099   8960/60000 [===>..........................] - ETA: 4s - loss: 0.7196 - accuracy: 0.8183   9568/60000 [===>..........................] - ETA: 4s - loss: 0.6987 - accuracy: 0.8230  10144/60000 [====>.........................] - ETA: 4s - loss: 0.6812 - accuracy: 0.8262  10784/60000 [====>.........................] - ETA: 4s - loss: 0.6640 - accuracy: 0.8297  11456/60000 [====>.........................] - ETA: 4s - loss: 0.6462 - accuracy: 0.8329  12128/60000 [=====>........................] - ETA: 4s - loss: 0.6297 - accuracy: 0.8366  12704/60000 [=====>........................] - ETA: 4s - loss: 0.6156 - accuracy: 0.8405  13408/60000 [=====>........................] - ETA: 3s - loss: 0.6009 - accuracy: 0.8430  14112/60000 [======>.......................] - ETA: 3s - loss: 0.5888 - accuracy: 0.8457  14816/60000 [======>.......................] - ETA: 3s - loss: 0.5772 - accuracy: 0.8487  15488/60000 [======>.......................] - ETA: 3s - loss: 0.5685 - accuracy: 0.8503  16192/60000 [=======>......................] - ETA: 3s - loss: 0.5576 - accuracy: 0.8534  16896/60000 [=======>......................] - ETA: 3s - loss: 0.5477 - accuracy: 0.8555  17600/60000 [=======>......................] - ETA: 3s - loss: 0.5380 - accuracy: 0.8576  18240/60000 [========>.....................] - ETA: 3s - loss: 0.5279 - accuracy: 0.8600  18976/60000 [========>.....................] - ETA: 3s - loss: 0.5208 - accuracy: 0.8617  19712/60000 [========>.....................] - ETA: 3s - loss: 0.5125 - accuracy: 0.8634  20416/60000 [=========>....................] - ETA: 3s - loss: 0.5046 - accuracy: 0.8654  21088/60000 [=========>....................] - ETA: 3s - loss: 0.4992 - accuracy: 0.8669  21792/60000 [=========>....................] - ETA: 3s - loss: 0.4932 - accuracy: 0.8684  22432/60000 [==========>...................] - ETA: 3s - loss: 0.4893 - accuracy: 0.8693  23072/60000 [==========>...................] - ETA: 2s - loss: 0.4845 - accuracy: 0.8703  23648/60000 [==========>...................] - ETA: 2s - loss: 0.4800 - accuracy: 0.8712  24096/60000 [===========>..................] - ETA: 2s - loss: 0.4776 - accuracy: 0.8718  24576/60000 [===========>..................] - ETA: 2s - loss: 0.4733 - accuracy: 0.8728  25056/60000 [===========>..................] - ETA: 2s - loss: 0.4696 - accuracy: 0.8736  25568/60000 [===========>..................] - ETA: 2s - loss: 0.4658 - accuracy: 0.8745  26080/60000 [============>.................] - ETA: 2s - loss: 0.4623 - accuracy: 0.8753  26592/60000 [============>.................] - ETA: 2s - loss: 0.4600 - accuracy: 0.8756  27072/60000 [============>.................] - ETA: 2s - loss: 0.4566 - accuracy: 0.8763  27584/60000 [============>.................] - ETA: 2s - loss: 0.4532 - accuracy: 0.8771  28032/60000 [=============>................] - ETA: 2s - loss: 0.4513 - accuracy: 0.8775  28512/60000 [=============>................] - ETA: 2s - loss: 0.4477 - accuracy: 0.8784  28992/60000 [=============>................] - ETA: 2s - loss: 0.4464 - accuracy: 0.8786  29472/60000 [=============>................] - ETA: 2s - loss: 0.4439 - accuracy: 0.8791  29952/60000 [=============>................] - ETA: 2s - loss: 0.4404 - accuracy: 0.8800  30464/60000 [==============>...............] - ETA: 2s - loss: 0.4375 - accuracy: 0.8807  30784/60000 [==============>...............] - ETA: 2s - loss: 0.4349 - accuracy: 0.8813  31296/60000 [==============>...............] - ETA: 2s - loss: 0.4321 - accuracy: 0.8820  31808/60000 [==============>...............] - ETA: 2s - loss: 0.4301 - accuracy: 0.8827  32256/60000 [===============>..............] - ETA: 2s - loss: 0.4279 - accuracy: 0.8832  32736/60000 [===============>..............] - ETA: 2s - loss: 0.4258 - accuracy: 0.8838  33280/60000 [===============>..............] - ETA: 2s - loss: 0.4228 - accuracy: 0.8844  33920/60000 [===============>..............] - ETA: 2s - loss: 0.4195 - accuracy: 0.8849  34560/60000 [================>.............] - ETA: 2s - loss: 0.4179 - accuracy: 0.8852  35104/60000 [================>.............] - ETA: 2s - loss: 0.4165 - accuracy: 0.8854  35680/60000 [================>.............] - ETA: 2s - loss: 0.4139 - accuracy: 0.8860  36288/60000 [=================>............] - ETA: 2s - loss: 0.4111 - accuracy: 0.8870  36928/60000 [=================>............] - ETA: 2s - loss: 0.4088 - accuracy: 0.8874  37504/60000 [=================>............] - ETA: 2s - loss: 0.4070 - accuracy: 0.8878  38048/60000 [==================>...........] - ETA: 1s - loss: 0.4052 - accuracy: 0.8882  38656/60000 [==================>...........] - ETA: 1s - loss: 0.4031 - accuracy: 0.8888  39264/60000 [==================>...........] - ETA: 1s - loss: 0.4007 - accuracy: 0.8894  39840/60000 [==================>...........] - ETA: 1s - loss: 0.3997 - accuracy: 0.8896  40416/60000 [===================>..........] - ETA: 1s - loss: 0.3978 - accuracy: 0.8901  40960/60000 [===================>..........] - ETA: 1s - loss: 0.3958 - accuracy: 0.8906  41504/60000 [===================>..........] - ETA: 1s - loss: 0.3942 - accuracy: 0.8911  42016/60000 [====================>.........] - ETA: 1s - loss: 0.3928 - accuracy: 0.8915  42592/60000 [====================>.........] - ETA: 1s - loss: 0.3908 - accuracy: 0.8920  43168/60000 [====================>.........] - ETA: 1s - loss: 0.3889 - accuracy: 0.8924  43744/60000 [====================>.........] - ETA: 1s - loss: 0.3868 - accuracy: 0.8931  44288/60000 [=====================>........] - ETA: 1s - loss: 0.3864 - accuracy: 0.8931  44832/60000 [=====================>........] - ETA: 1s - loss: 0.3842 - accuracy: 0.8938  45408/60000 [=====================>........] - ETA: 1s - loss: 0.3822 - accuracy: 0.8944  45984/60000 [=====================>........] - ETA: 1s - loss: 0.3804 - accuracy: 0.8949  46560/60000 [======================>.......] - ETA: 1s - loss: 0.3786 - accuracy: 0.8953  47168/60000 [======================>.......] - ETA: 1s - loss: 0.3767 - accuracy: 0.8958  47808/60000 [======================>.......] - ETA: 1s - loss: 0.3744 - accuracy: 0.8963  48416/60000 [=======================>......] - ETA: 1s - loss: 0.3732 - accuracy: 0.8966  48928/60000 [=======================>......] - ETA: 0s - loss: 0.3714 - accuracy: 0.8971  49440/60000 [=======================>......] - ETA: 0s - loss: 0.3701 - accuracy: 0.8974  50048/60000 [========================>.....] - ETA: 0s - loss: 0.3678 - accuracy: 0.8979  50688/60000 [========================>.....] - ETA: 0s - loss: 0.3669 - accuracy: 0.8983  51264/60000 [========================>.....] - ETA: 0s - loss: 0.3654 - accuracy: 0.8988  51872/60000 [========================>.....] - ETA: 0s - loss: 0.3636 - accuracy: 0.8992  52608/60000 [=========================>....] - ETA: 0s - loss: 0.3618 - accuracy: 0.8997  53376/60000 [=========================>....] - ETA: 0s - loss: 0.3599 - accuracy: 0.9003  54048/60000 [==========================>...] - ETA: 0s - loss: 0.3583 - accuracy: 0.9006  54560/60000 [==========================>...] - ETA: 0s - loss: 0.3568 - accuracy: 0.9010  55296/60000 [==========================>...] - ETA: 0s - loss: 0.3548 - accuracy: 0.9016  56064/60000 [===========================>..] - ETA: 0s - loss: 0.3526 - accuracy: 0.9021  56736/60000 [===========================>..] - ETA: 0s - loss: 0.3514 - accuracy: 0.9026  57376/60000 [===========================>..] - ETA: 0s - loss: 0.3499 - accuracy: 0.9029  58112/60000 [============================>.] - ETA: 0s - loss: 0.3482 - accuracy: 0.9033  58880/60000 [============================>.] - ETA: 0s - loss: 0.3459 - accuracy: 0.9039  59584/60000 [============================>.] - ETA: 0s - loss: 0.3444 - accuracy: 0.9043  60000/60000 [==============================] - 5s 87us/step - loss: 0.3435 - accuracy: 0.9046    Epoch 2/2      32/60000 [..............................] - ETA: 11s - loss: 0.0655 - accuracy: 1.0000   736/60000 [..............................] - ETA: 4s - loss: 0.2135 - accuracy: 0.9389    1408/60000 [..............................] - ETA: 4s - loss: 0.2217 - accuracy: 0.9361   1984/60000 [..............................] - ETA: 4s - loss: 0.2316 - accuracy: 0.9390   2432/60000 [>.............................] - ETA: 4s - loss: 0.2280 - accuracy: 0.9379   3040/60000 [>.............................] - ETA: 4s - loss: 0.2374 - accuracy: 0.9368   3808/60000 [>.............................] - ETA: 4s - loss: 0.2251 - accuracy: 0.9386   4576/60000 [=>............................] - ETA: 4s - loss: 0.2225 - accuracy: 0.9379   5216/60000 [=>............................] - ETA: 4s - loss: 0.2208 - accuracy: 0.9377   5920/60000 [=>............................] - ETA: 4s - loss: 0.2173 - accuracy: 0.9383   6656/60000 [==>...........................] - ETA: 4s - loss: 0.2217 - accuracy: 0.9370   7392/60000 [==>...........................] - ETA: 4s - loss: 0.2224 - accuracy: 0.9360   8096/60000 [===>..........................] - ETA: 4s - loss: 0.2234 - accuracy: 0.9363   8800/60000 [===>..........................] - ETA: 3s - loss: 0.2235 - accuracy: 0.9358   9408/60000 [===>..........................] - ETA: 3s - loss: 0.2196 - accuracy: 0.9365  10016/60000 [====>.........................] - ETA: 3s - loss: 0.2207 - accuracy: 0.9363  10592/60000 [====>.........................] - ETA: 3s - loss: 0.2183 - accuracy: 0.9369  11168/60000 [====>.........................] - ETA: 3s - loss: 0.2177 - accuracy: 0.9377  11776/60000 [====>.........................] - ETA: 3s - loss: 0.2154 - accuracy: 0.9385  12544/60000 [=====>........................] - ETA: 3s - loss: 0.2152 - accuracy: 0.9393  13216/60000 [=====>........................] - ETA: 3s - loss: 0.2163 - accuracy: 0.9390  13920/60000 [=====>........................] - ETA: 3s - loss: 0.2155 - accuracy: 0.9391  14624/60000 [======>.......................] - ETA: 3s - loss: 0.2150 - accuracy: 0.9391  15424/60000 [======>.......................] - ETA: 3s - loss: 0.2143 - accuracy: 0.9398  16032/60000 [=======>......................] - ETA: 3s - loss: 0.2122 - accuracy: 0.9405  16672/60000 [=======>......................] - ETA: 3s - loss: 0.2096 - accuracy: 0.9409  17344/60000 [=======>......................] - ETA: 3s - loss: 0.2091 - accuracy: 0.9411  18112/60000 [========>.....................] - ETA: 3s - loss: 0.2086 - accuracy: 0.9416  18784/60000 [========>.....................] - ETA: 3s - loss: 0.2084 - accuracy: 0.9418  19392/60000 [========>.....................] - ETA: 3s - loss: 0.2076 - accuracy: 0.9418  20000/60000 [=========>....................] - ETA: 3s - loss: 0.2067 - accuracy: 0.9421  20608/60000 [=========>....................] - ETA: 3s - loss: 0.2071 - accuracy: 0.9419  21184/60000 [=========>....................] - ETA: 3s - loss: 0.2056 - accuracy: 0.9423  21856/60000 [=========>....................] - ETA: 3s - loss: 0.2063 - accuracy: 0.9419  22624/60000 [==========>...................] - ETA: 2s - loss: 0.2059 - accuracy: 0.9421  23328/60000 [==========>...................] - ETA: 2s - loss: 0.2056 - accuracy: 0.9422  23936/60000 [==========>...................] - ETA: 2s - loss: 0.2051 - accuracy: 0.9423  24512/60000 [===========>..................] - ETA: 2s - loss: 0.2041 - accuracy: 0.9424  25248/60000 [===========>..................] - ETA: 2s - loss: 0.2036 - accuracy: 0.9426  26016/60000 [============>.................] - ETA: 2s - loss: 0.2031 - accuracy: 0.9424  26656/60000 [============>.................] - ETA: 2s - loss: 0.2035 - accuracy: 0.9422  27360/60000 [============>.................] - ETA: 2s - loss: 0.2050 - accuracy: 0.9417  28128/60000 [=============>................] - ETA: 2s - loss: 0.2045 - accuracy: 0.9418  28896/60000 [=============>................] - ETA: 2s - loss: 0.2046 - accuracy: 0.9418  29536/60000 [=============>................] - ETA: 2s - loss: 0.2052 - accuracy: 0.9417  30208/60000 [==============>...............] - ETA: 2s - loss: 0.2050 - accuracy: 0.9417  30848/60000 [==============>...............] - ETA: 2s - loss: 0.2046 - accuracy: 0.9419  31552/60000 [==============>...............] - ETA: 2s - loss: 0.2037 - accuracy: 0.9421  32224/60000 [===============>..............] - ETA: 2s - loss: 0.2043 - accuracy: 0.9420  32928/60000 [===============>..............] - ETA: 2s - loss: 0.2041 - accuracy: 0.9420  33632/60000 [===============>..............] - ETA: 2s - loss: 0.2035 - accuracy: 0.9422  34272/60000 [================>.............] - ETA: 1s - loss: 0.2029 - accuracy: 0.9423  34944/60000 [================>.............] - ETA: 1s - loss: 0.2030 - accuracy: 0.9423  35648/60000 [================>.............] - ETA: 1s - loss: 0.2027 - accuracy: 0.9422  36384/60000 [=================>............] - ETA: 1s - loss: 0.2027 - accuracy: 0.9421  37120/60000 [=================>............] - ETA: 1s - loss: 0.2024 - accuracy: 0.9421  37760/60000 [=================>............] - ETA: 1s - loss: 0.2013 - accuracy: 0.9424  38464/60000 [==================>...........] - ETA: 1s - loss: 0.2011 - accuracy: 0.9424  39200/60000 [==================>...........] - ETA: 1s - loss: 0.2000 - accuracy: 0.9426  40000/60000 [===================>..........] - ETA: 1s - loss: 0.1990 - accuracy: 0.9428  40672/60000 [===================>..........] - ETA: 1s - loss: 0.1986 - accuracy: 0.9430  41344/60000 [===================>..........] - ETA: 1s - loss: 0.1982 - accuracy: 0.9432  42112/60000 [====================>.........] - ETA: 1s - loss: 0.1981 - accuracy: 0.9432  42848/60000 [====================>.........] - ETA: 1s - loss: 0.1977 - accuracy: 0.9433  43552/60000 [====================>.........] - ETA: 1s - loss: 0.1970 - accuracy: 0.9435  44256/60000 [=====================>........] - ETA: 1s - loss: 0.1972 - accuracy: 0.9436  44992/60000 [=====================>........] - ETA: 1s - loss: 0.1972 - accuracy: 0.9437  45664/60000 [=====================>........] - ETA: 1s - loss: 0.1966 - accuracy: 0.9438  46176/60000 [======================>.......] - ETA: 1s - loss: 0.1968 - accuracy: 0.9437  46752/60000 [======================>.......] - ETA: 1s - loss: 0.1969 - accuracy: 0.9438  47488/60000 [======================>.......] - ETA: 0s - loss: 0.1965 - accuracy: 0.9439  48256/60000 [=======================>......] - ETA: 0s - loss: 0.1965 - accuracy: 0.9438  48896/60000 [=======================>......] - ETA: 0s - loss: 0.1963 - accuracy: 0.9436  49568/60000 [=======================>......] - ETA: 0s - loss: 0.1962 - accuracy: 0.9438  50304/60000 [========================>.....] - ETA: 0s - loss: 0.1965 - accuracy: 0.9437  51072/60000 [========================>.....] - ETA: 0s - loss: 0.1967 - accuracy: 0.9437  51744/60000 [========================>.....] - ETA: 0s - loss: 0.1961 - accuracy: 0.9439  52480/60000 [=========================>....] - ETA: 0s - loss: 0.1957 - accuracy: 0.9439  53248/60000 [=========================>....] - ETA: 0s - loss: 0.1959 - accuracy: 0.9438  54016/60000 [==========================>...] - ETA: 0s - loss: 0.1963 - accuracy: 0.9437  54592/60000 [==========================>...] - ETA: 0s - loss: 0.1965 - accuracy: 0.9436  55168/60000 [==========================>...] - ETA: 0s - loss: 0.1962 - accuracy: 0.9436  55776/60000 [==========================>...] - ETA: 0s - loss: 0.1959 - accuracy: 0.9437  56448/60000 [===========================>..] - ETA: 0s - loss: 0.1965 - accuracy: 0.9437  57152/60000 [===========================>..] - ETA: 0s - loss: 0.1958 - accuracy: 0.9439  57824/60000 [===========================>..] - ETA: 0s - loss: 0.1956 - accuracy: 0.9438  58560/60000 [============================>.] - ETA: 0s - loss: 0.1951 - accuracy: 0.9440  59360/60000 [============================>.] - ETA: 0s - loss: 0.1947 - accuracy: 0.9440  60000/60000 [==============================] - 5s 76us/step - loss: 0.1946 - accuracy: 0.9440    Testing------------      32/10000 [..............................] - ETA: 15s   1248/10000 [==>...........................] - ETA: 0s    2656/10000 [======>.......................] - ETA: 0s   4064/10000 [===========>..................] - ETA: 0s   5216/10000 [==============>...............] - ETA: 0s   6464/10000 [==================>...........] - ETA: 0s   7744/10000 [======================>.......] - ETA: 0s   9056/10000 [==========================>...] - ETA: 0s   9984/10000 [============================>.] - ETA: 0s  10000/10000 [==============================] - 0s 47us/step  test loss: 0.17407772153392434  test accuracy: 0.9513000249862671

補充知識：Keras 搭建簡單神經網絡：順序模型+迴歸問題

多層全連接神經網絡

每層神經元個數、神經網絡層數、激活函數等可自由修改

使用不同的損失函數可適用於其他任務，比如：分類問題

這是Keras搭建神經網絡模型最基礎的方法之一，Keras還有其他進階的方法，官網給出了一些基本使用方法：Keras官網

  # 這裡搭建了一個4層全連接神經網絡（不算輸入層），傳入函數以及函數內部的參數均可自由修改  def ann(X, y):    '''    X: 輸入的訓練集數據    y: 訓練集對應的標籤    '''        '''初始化模型'''    # 首先定義了一個順序模型作為框架，然後往這個框架裡面添加網絡層    # 這是最基礎搭建神經網絡的方法之一    model = Sequential()        '''開始添加網絡層'''    # Dense表示全連接層，第一層需要我們提供輸入的維度 input_shape    # Activation表示每層的激活函數，可以傳入預定義的激活函數，也可以傳入符合接口規則的其他高級激活函數    model.add(Dense(64, input_shape=(X.shape[1],)))    model.add(Activation('sigmoid'))        model.add(Dense(256))    model.add(Activation('relu'))        model.add(Dense(256))    model.add(Activation('tanh'))        model.add(Dense(32))    model.add(Activation('tanh'))        # 輸出層，輸出的維度大小由具體任務而定    # 這裡是一維輸出的迴歸問題    model.add(Dense(1))    model.add(Activation('linear'))        '''模型編譯'''    # optimizer表示優化器（可自由選擇），loss表示使用哪一種    model.compile(optimizer='rmsprop', loss='mean_squared_error')    # 自定義學習率，也可以使用原始的基礎學習率    reduce_lr = ReduceLROnPlateau(monitor='loss', factor=0.1, patience=10,                    verbose=0, mode='auto', min_delta=0.001,                    cooldown=0, min_lr=0)        '''模型訓練'''    # 這裡的模型也可以先從函數返回後，再進行訓練    # epochs表示訓練的輪數，batch_size表示每次訓練的樣本數量（小批量學習），validation_split表示用作驗證集的訓練數據的比例    # callbacks表示回調函數的集合，用於模型訓練時查看模型的內在狀態和統計數據，相應的回調函數方法會在各自的階段被調用    # verbose表示輸出的詳細程度，值越大輸出越詳細    model.fit(X, y, epochs=100,         batch_size=50, validation_split=0.0,         callbacks=[reduce_lr],         verbose=0)        # 打印模型結構    print(model.summary())      return model

下圖是此模型的結構圖，其中下劃線後面的數字是根據調用次數而定