一、使用pip安裝好tensorflow
二、使用pip安裝好Keras
三、構建過程：
1 導入數據
2 定義模型
3 編譯模型
4 訓練模型
5 測試模型
6 寫出程序
1.導入數據
使用皮馬人糖尿病數據集（Pima Indians onset of diabetes）（自行百度，google下載數據集）
數據集的內容是皮馬人的醫療記錄，以及過去5年內是否有糖尿病。所有的數據都是數字，問題是（是否有糖尿病是1或0），是二分類問題。數據的數量級不同，有8個屬性：
- 懷孕次數
- 2小時口服葡萄糖耐量試驗中的血漿葡萄糖濃度
- 舒張壓（毫米汞柱）
- 2小時血清胰島素（mu U/ml)
- 體重指數（BMI）
- 糖尿病血系功能
- 年齡（年）
- 類別：過去5年內是否有糖尿病
所有的數據都是數字，可以直接導入Keras。
導入資料
使用隨機梯度下降時最好固定隨機數種子，這樣你的代碼每次運行的結果都一致。這種做法在演示結果、比較算法或debug時特別有效。你可以隨便選種子：
# fix random seed for reproducibility seed = 7 numpy.random.seed(seed)
現在導入皮馬人數據集。NumPy的loadtxt()函數可以直接帶入數據，輸入變量是8個，輸出1個。導入數據后，我們把數據分成輸入和輸出兩組以便交叉檢驗：
# load pima indians dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") # split into input (X) and output (Y) variables X = dataset[:,0:8] Y = dataset[:,8]
2 定義模型
Keras的模型由層構成：我們建立一個Sequential模型，一層層加入神經元。第一步是確定輸入層的數目正確：在創建模型時用input_dim參數確定。例如，有8個輸入變量，就設成8。
隱層怎么設置？這個問題很難回答，需要慢慢試驗。一般來說，如果網絡夠大，即使存在問題也不會有影響。這個例子里我們用3層全連接網絡。
全連接層用Dense類定義：第一個參數是本層神經元個數，然后是初始化方式和激活函數。這里的初始化方法是0到0.05的連續型均勻分布（uniform），Keras的默認方法也是這個。也可以用高斯分布進行初始化（normal）。
前兩層的激活函數是線性整流函數（relu），最后一層的激活函數是S型函數（sigmoid）。之前大家喜歡用S型和正切函數，但現在線性整流函數效果更好。為了保證輸出是0到1的概率數字，最后一層的激活函數是S型函數，這樣映射到0.5的閾值函數也容易。前兩個隱層分別有12和8個神經元，最后一層是1個神經元（是否有糖尿病）。
# create model model = Sequential() model.add(Dense(12, input_dim=8, init='uniform', activation='relu')) model.add(Dense(8, init='uniform', activation='relu')) model.add(Dense(1, init='uniform', activation='sigmoid')) # 現在Keras使用API 2.0版本，所以上述的init需要改為kernel_initializer
3 編譯模型
定義好的模型可以編譯：Keras會調用TensorFlow編譯模型。后端會自動選擇表示網絡的最佳方法，配合你的硬件。這步需要定義幾個新的參數。訓練神經網絡的意義是：找到最好的一組權重，解決問題。
我們需要定義損失函數和優化算法，以及需要收集的數據。我們使用binary_crossentropy，錯誤的對數作為損失函數；adam作為優化算法，因為這東西好用。
# Compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model # metrics=['accuracy'] 評價函數,用來度量模型，該訓練的評估結果不參與更新權重的運算
4 訓練模型
調用模型的fit()方法即可開始訓練
網絡按輪訓練，通過nb_epoch參數控制。每次送入的數據（批尺寸）可以用batch_size參數控制。這里我們只跑150輪，每次10個數據。
# Fit the model model.fit(X, Y, nb_epoch=150, batch_size=10) # 現在Keras API 2.0版本已經將nb_epoch改為了epochs
5 測試模型
我們把測試數據拿出來檢驗一下模型的效果。注意這樣不能測試在新數據的預測能力。應該將數據分成訓練和測試集。
調用模型的evaluation()方法，傳入訓練時的數據。輸出是平均值，包括平均誤差和其他的數據，例如准確度。
# evaluate the model scores = model.evaluate(X, Y) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
6 寫出程序
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # Create first network with Keras from keras.models import Sequential from keras.layers import Dense import numpy # fix random seed for reproducibility seed = 7 numpy.random.seed(seed) # load pima indians dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") # split into input (X) and output (Y) variables X = dataset[:,0:8] Y = dataset[:,8] # create model model = Sequential() model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu')) model.add(Dense(8, kernel_initializer='uniform', activation='relu')) model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid')) # Compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model model.fit(X, Y, epochs=150, batch_size=10) # evaluate the model scores = model.evaluate(X, Y) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # 在開頭加上 #import os #os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 是因為我的CPU支持AVX擴展，但是安裝的TensorFlow版本無法編譯使用。所以使用上面兩行代碼直接將警告忽略。
# 編譯TensorFlow源碼
# 如果沒有GPU並且希望盡可能多地利用CPU，那么如果CPU支持AVX，AVX2和FMA，則應該從針對CPU優化的源構建tensorflow。
訓練時每輪會輸出一次損失和正確率，以及最終的效果
總結：
- 如何導入數據
- 如何用Keras定義神經網絡
- 如何調用后端編譯模型
- 如何訓練模型
- 如何測試模型