原文地址
介绍完了优化器和目标函数，那么剩下的就是训练模型了。这一小节，我们来看一下Keras的Models是如何使用的。Keras可以建立两种模型，一种是线性叠加的，层与层之间是全连接的方式，一个输入，一个输出；另外一种是图型的，输入与输出数量任意，并且可以指定层与层之间的部分连接方式。

一、Sequential（序贯模型）方法及属性介绍

model = keras.models.Sequential()  

序贯模型就是把每一层按照次序叠加起来，每层之间采用全连接方式。下面看一下对象model都有哪些方法。
1 add(layer):往model里边增加一层
2 compile(optimizer, loss, class_model=”categorical”):
参数：

• optimizer：指定模型训练的优化器；
• loss：目标函数；
• class_mode: ”categorical”和”binary”中的一个，只是用来计算分类的精确度

3 fit(X, y, batch_size=128, nb_epoch=100, verbose=1, validation_split=0,****validation_data=None,shuffle=True,show_accuracy=False,callbacks=[],****class_weight=Noe, sample_weight=None)****:用于训练一个固定迭代次数的模型**
返回：记录字典，包括每一次迭代的训练误差率和验证误差率；

参数：

X：训练数据
y : 标签
batch_size : 每次训练和梯度更新块的大小。
nb_epoch: 迭代次数。
verbose : 进度表示方式。0表示不显示数据，1表示显示进度条，2表示用只显示一个数据。
callbacks : 回调函数列表。就是函数执行完后自动调用的函数列表。
validation_split : 验证数据的使用比例。
validation_data : 被用来作为验证数据的(X, y)元组。会代替validation_split所划分的验证数据。
shuffle : 类型为boolean或 str(‘batch’)。是否对每一次迭代的样本进行shuffle操作（可以参见博文Theano学习笔记01--Dimshuffle()函数）。’batch’是一个用于处理HDF5（keras用于存储权值的数据格式）数据的特殊选项。
show_accuracy:每次迭代是否显示分类准确度。
class_weigh : 分类权值键值对。原文：dictionary mapping classes to a weight value, used for scaling the lossfunction (during training only)。键为类别，值为该类别对应的权重。只在训练过程中衡量损失函数用。
sample_weight : list or numpy array with1:1 mapping to the training samples, used for scaling the loss function (duringtraining only). For time-distributed data, there is one weight per sample pertimestep, i.e. if your output data is shaped(nb_samples, timesteps, output_dim), your mask should be of shape(nb_samples, timesteps, 1). This allows you to maskout or reweight individual output timesteps, which is useful in sequence tosequence learning.

4 evalute(X, y, batch_size=128, show_accuracy=False,****verbose=1, sample_weight=None)****: 展示模型在验证数据上的效果
返回：误差率或者是(误差率，准确率)元组（if show_accuracy=True）
参数：和fit函数中的参数基本一致，其中verbose取1或0，表示有进度条或没有

5 predict(X, batch_size=128, verbose=1): 用于对测试数据的预测
返回：对于测试数据的预测数组
参数：和fit函数中的参数一样。

6 predict_classes(X, batch_size=128, verbose=1): 用于对测试数据的分类预测
返回：对于测试数据的预测分类结果数组
参数：和evaluate函数中的参数一样。

7 train_on_batch(X, y, accuracy=False, class_weight=None, sample_weight=None): 对数据块进行计算并梯度更新
返回：数据块在现有模型中的误差率或者元组(if show_accuracy=True）
参数：和evaluate函数中的参数一样。

8 test_on_batch(X, y, accuracy=False, sample_weight=None): 用数据块进行性能验证
返回：数据块在现有模型中的误差率或者元组（误差率，准确率）（if show_accuracy=True）
参数：和evaluate函数中的参数一样。

9 save_weights (fname, overwrite=False): 将所有层的权值保存为HDF5文件
返回：如果overwrite=False并且fname已经存在，则会抛出异常。
参数：

fname: 文件名
overwrite : 如果已经存在，是否覆盖原文件。
10 load_weights(fname): 加载已经存在的权值数据到程序中的模型里面。文件中的模型和程序中的模型结构必须一致。在compile之前或之后都可以调用load_ weights函数。
参数： fname文件名

二、Sequential（序贯模型）举例说明

from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation  
from keras.optimizers import SGD  
   
model = Sequential()  
model.add(Dense(2, init='uniform', input_dim=64))  
model.add(Activation('softmax'))  
   
model.compile(loss='mse', optimizer='sgd')  
   
''''' 
Verbose=1或2的结果演示 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=1)  
# 输出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
37800/37800 [==============================] - 7s - loss: 0.0385 
Epoch 1 
37800/37800 [==============================] - 8s - loss: 0.0140 
Epoch 2 
10960/37800 [=======>......................] - ETA: 4s - loss: 0.0109 
'''  
   
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=2)  
# 输出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
loss: 0.0190 
Epoch 1 
loss: 0.0146 
Epoch 2 
loss: 0.0049 
'''  
   
''''' 
show_accuracy=True的演示，会输出误差率-正确率 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, verbose=2, show_accuracy=True)  
# 输出信息  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
loss: 0.0190 - acc.: 0.8750 
Epoch 1 
loss: 0.0146 - acc.: 0.8750 
Epoch 2 
loss: 0.0049 - acc.: 1.0000 
'''  
   
''''' 
validation_split=0.1表示总样本的10%用来进行验证。比如下方实例，样本总数42000，则验证数据占10%，即4200，剩余的37800为训练数据。 
'''  
model.fit(X_train, y_train, nb_epoch=3, batch_size=16, validation_split=0.1, show_accuracy=True, verbose=1)  
# outputs  
''''' 
Train on 37800 samples, validate on 4200 samples 
Epoch 0 
37800/37800 [==============================] - 7s - loss: 0.0385 - acc.:0.7258 - val. loss: 0.0160 - val. acc.: 0.9136 
Epoch 1 
37800/37800 [==============================] - 8s - loss: 0.0140 - acc.:0.9265 - val. loss: 0.0109 - val. acc.: 0.9383 
Epoch 2 
10960/37800 [=======>......................] - ETA: 4s - loss: 0.0109 -acc.: 0.9420