我对这两个Keras sequential models功能部分有点困惑。有人可以解释一下每个人的具体工作是什么吗？我的意思是compile进行前向传递和计算，cost function然后通过它进行fit反向传递和计算derivatives and updating weights？要不然是啥？
我在一些代码中看到，他们只对他们的一些和其他一些使用compile函数！所以我需要知道这些函数中的每一个都做了哪些工作（训练神经网络）。LSTMfit
对我来说知道究竟是什么predict功能也很有趣。
非常感谢您提前！
让我们先看看我们想要训练模型时需要做什么。
让我们看一个使用 mnist 数据库的示例。
from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.callbacks import ModelCheckpoint
from keras.models import model_from_json
from keras import backend as K
让我们加载我们的数据。然后我将像素的值标准化为 0 到 1 之间。
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
现在我们需要重塑我们的数据以与 Keras 兼容。我们需要为我们的数据添加一个额外的维度，当数据通过深度学习模型时，它将充当我们的通道。然后我对输出类进行矢量化。
# The known number of output classes.
num_classes = 10
# Input image dimensions
img_rows, img_cols = 28, 28
# Channels go last for TensorFlow backend
x_train_reshaped = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test_reshaped = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
# Convert class vectors to binary class matrices. This uses 1 hot encoding.
y_train_binary = keras.utils.to_categorical(y_train, num_classes)
y_test_binary = keras.utils.to_categorical(y_test, num_classes)
现在让我们定义我们的模型。我们将在这个例子中使用一个普通的 CNN。
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
activation='relu',
input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))
现在我们准备编译我们的模型。这将创建一个 Python 对象，该对象将构建 CNN。这是通过基于您使用的 Keras 后端以正确格式构建计算图来完成的。我通常在 theano 上使用 tensorflow。编译步骤还要求您定义损失函数和要使用的优化器类型。这些选项取决于您要解决的问题，您通常可以通过阅读该领域的文献找到最佳技术。对于分类任务，分类交叉熵非常有效。
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
现在我们有一个 Python 对象，它有一个模型及其所有参数及其初始值。如果您现在尝试在此模型中使用预测，您的准确率将是 10%，纯随机输出。
您可以将此模型保存到磁盘以供以后使用。
# Save the model
model_json = model.to_json()
with open("weights/model.json", "w") as json_file:
json_file.write(model_json)
因此，现在我们需要训练我们的模型，以便调整参数以为给定输入提供正确的输出。我们通过在输入层输入输入然后得到输出来做到这一点，然后我们使用输出计算损失函数并使用反向传播来调整模型参数。这将使模型参数适合数据。
首先，让我们定义一些回调函数，以便每次获得更好的结果时，我们可以检查我们的模型并将模型参数保存到文件中。
# Save the weights using a checkpoint.
filepath="weights/weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5"
checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, save_best_only=True, mode='max')
callbacks_list = [checkpoint]
epochs = 4
batch_size = 128
# Fit the model weights.
model.fit(x_train_reshaped, y_train_binary,
batch_size=batch_size,
epochs=epochs,
verbose=1,
callbacks=callbacks_list,
validation_data=(x_test_reshaped, y_test_binary))
现在我们有一个模型架构，我们有一个文件，其中包含所有模型参数，其中找到了将输入映射到输出的最佳值。我们现在完成了深度学习中计算量大的部分。我们现在可以采用我们的模型并使用前馈传递并预测输入。我更喜欢使用 predict_class，而不是 predict，因为它会立即给我类，而不是输出向量。
print('Predict the classes: ')
prediction = model.predict_classes(x_test_reshaped[10:20])
show_imgs(x_test[10:20])
print('Predicted classes: ', prediction)
预测类别：[0 6 9 0 1 5 9 7 3 4]
很好地打印 MNIST 数据库的代码
import matplotlib.pyplot as plt
%matplotlib inline
# utility function for showing images
def show_imgs(x_test, decoded_imgs=None, n=10):
plt.figure(figsize=(20, 4))
for i in range(n):
ax = plt.subplot(2, n, i+1)
plt.imshow(x_test[i].reshape(28,28))
plt.gray()
ax.get_xaxis().set_visible(False)
ax.get_yaxis().set_visible(False)
if decoded_imgs is not None:
ax = plt.subplot(2, n, i+ 1 +n)
plt.imshow(decoded_imgs[i].reshape(28,28))
plt.gray()
ax.get_xaxis().set_visible(False)
ax.get_yaxis().set_visible(False)
plt.show()