原文：
www.kdnuggets.com/2017/12/today-built-neural-network-during-lunch-break-keras.html
评论
由 Matthijs Cox，纳米技术数据科学家
从想法到结果的最短延迟是进行良好研究的关键。
- Keras.io
所以昨天有人告诉我你可以在 Keras 中在 15 分钟内构建一个（深度）神经网络。当然，我完全不相信。上次我尝试（可能是 2 年前？）时，这仍然是相当费力的工作，需要全面的编程和数学知识。那时确实需要精湛的工艺。
所以在晚上我花了一些时间研究 Keras 文档，我必须说它看起来足够简单。但是当我尝试时肯定会遇到一些困难，对吧？适应这些包有时可能需要几个月。
第二天早晨
所以第二天我开始在自己的数据上玩 Keras。首先，我重构了一些我们内部包中的代码，以将数据转换为表格形式。这让我感到沮丧了一段时间。最后，这和回答我的电子邮件以及问题占用了我大部分的早晨。完成这些后，我可以轻松地将一些数据导出为 csv 文件，并用 Pandas 读取它，转换为 Numpy 数组，我们就准备好了。
午休时间
由于这完全是一个爱好项目，我部分牺牲了午休时间来构建模型。Keras 和 Tensorflow 安装得很快，自从上次我尝试在 Windows 笔记本上安装 Tensorflow 后，这非常简单。然后我几乎是复制粘贴了 Keras 文档中的代码。我甚至不打算建立一个 github 仓库，这就是我做的所有事情：
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
model = Sequential()
model.add(Dense(units=64, activation=’relu’, input_dim=1424))
model.add(Dense(units=2696))
model.compile(loss='mse', optimizer='adam')
model.fit(predictors[0:80,], estimator[0:80,],
validation_data=(predictors[81:,],estimator[81:,]),
epochs=80, batch_size=32)
np.savetxt("keras_fit.csv", model.predict(data), delimiter=",")这是什么？我在构建模型，添加一些密集层，完成它，拟合数据，并进行预测。全部用不到 10 行代码。我今天没有进行任何超参数优化或智能层架构。但我必须说；哇，真的很简单！
下午
现在我对实际性能非常好奇，所以我必须对一些基准进行测试。不过别告诉我的经理们我在花时间做这个哦！（开玩笑的，他们鼓励探索和学习。）所以我将数据加载回我的测试框架中，并运行一些其他算法。以下是我的最终性能指标的结果。
在不到一个小时的模型构建时间内，这真是太令人尴尬地好。我们花了 1.5 年时间研发的超级秘密模型仍然超越了它（幸运的是）。除此之外，任何神经网络的一个大缺点当然是它完全是一个黑匣子，不知道它实际学到了什么。而我们的秘密模型使用的是我们后来可以作为人类诊断的模式识别。
结论
这也是我最快完成的文章，完全是在热情的状态下写的。现在，我在一天的最后几分钟里写这篇文章，向任何开发 Keras 的人表示热烈的掌声。以下是我的结论：
-
Keras API：棒极了！
-
Keras 文档：棒极了！
-
Keras 结果：棒极了！
如果你正在考虑进行一些深度/机器学习，我一定建议从 Keras 开始。快速上手非常有趣，之后你可以学习和微调细节。
简介： Matthijs Cox 是一名纳米技术数据科学家，自豪的父亲和丈夫，图形设计师和业余作家。
原文。经授权转载。
相关：
-
掌握 Keras 深度学习的 7 个步骤
-
Keras 速查表：Python 中的深度学习
-
Keras 教程：使用神经网络识别井字棋赢家
1. 谷歌网络安全证书 - 快速进入网络安全职业。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT