如果您有使用 Python Keras 包的经验，可能已经用过 Keras 内置数据集，例如 mnist.load_data()、cifar10.load_data() 或 imdb.load_data()。
以下是用 keras 包加载 MNIST、CIFAR10 与 IMDB 数据的一些示例：
# Read in MNIST data
mnist <- dataset_mnist()
# Read in CIFAR10 data
cifar10 <- dataset_cifar10()
# Read in IMDB data
imdb <- dataset_imdb()
请注意，使用 keras 加载内置数据集的函数都遵循相同模式；对于 MNIST 数据，您将使用 dataset_mnist() 函数来加载数据。
模拟数据
或者，您也可以快速创建一些模拟数据来上手。可以使用 matrix() 函数轻松实现：
# Make your dummy data
data <- matrix(rexp(1000*784), nrow = 1000, ncol = 784)
# Make dummy target values for your dummy data
labels <- matrix(round(runif(1000*10, min = 0, max = 9)), nrow = 1000, ncol = 10)
请注意，检查数据结构是个好主意；了解您正在处理的数据对后续步骤至关重要。更多内容将在教程后面介绍！
从文件读取数据
除了内置数据集，您还可以从文件中加载数据。对于本教程，您将重点从 CSV 文件加载数据；如果您想了解更多 R 中的文件导入，请参阅 DataCamp 的R 数据导入教程。
# Read in `iris` data
iris <- read.csv(url("http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"), header = FALSE)
# Return the first part of `iris`
head(....)
# Inspect the structure
str(....)
# Obtain the dimensions
dim(....)
您可以编写自己的函数来对 iris 数据进行归一化；这里使用的是最小-最大归一化函数，将您的数据线性变换为 (x-min)/(max-min)。从这个角度，将公式翻译成 R 代码很简单：编写一个函数，传入 x 或某些数据。先计算 x-min 的结果并存入 num。接着计算 max-min 并存入 denom。normalize() 函数应返回 num 与 max 的商。
# Build your own `normalize()` function
normalize <- function(x) {
num <- x - min(x)
denom <- max(x) - min(x)
return (num/denom)
}
# Normalize the `iris` data
iris_norm <- as.data.frame(lapply(iris[1:4], .........))
# Return the first part of `iris`
head(....)
提示：在 R 控制台使用 hist() 函数，分别查看归一化前（iris）和归一化后（iris_norm）Iris 数据的分布。
使用 keras 归一化数据
要使用 keras 包的 normalize() 函数，首先需要确保您在处理矩阵。正如之前所述，矩阵的特征是各元素类型相同；而您现在的目标值为因子类型，其他为数值型。
这需要先进行转换。
您可以用 as.numeric() 将数据转为数值：
iris[,5] <- ...........(iris[,5]) -1
# Turn `iris` into a matrix
iris <- as.matrix(iris)
# Set `iris` `dimnames` to `NULL`
dimnames(....) <- NULL
数值型数据框可以，但若要使用 keras 包，需将数据转为数组或矩阵。可使用 as.matrix() 轻松完成；别忘了把 dimnames 设为 NULL。
正如上一节所述，对 Iris 数据进行归一化并非必要。不过，研究归一化及其影响仍是好主意，也可以看看如何既用 UDF 也用 keras 内置的 normalize() 完成归一化。
将数据转为矩阵后，您也可以使用 keras 包来研究归一化对数据的可能影响：
# Normalize the `iris` data
iris <- normalize(....[,1:4])
# Return the summary of `iris`
summary(....)
# One hot encode training target values
iris.trainLabels <- to_categorical(..................)
# One hot encode test target values
iris.testLabels <- to_categorical(...............)
# Print out the iris.testLabels to double check the result
print(.............)
# Initialize a sequential model
model <- ......................
# Add layers to the model
model %>%
layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>%
layer_dense(units = 3, activation = 'softmax')
# Print a summary of a model
summary(model)
# Get model configuration
get_config(model)
# Get layer configuration
ge_layer(model, index = 1)
# List the model's layers
model$cayers
# List the input tensors
model$inputs
# List the output tensors
model$outputs
编译并拟合模型
既然已设定了模型架构，就该将模型编译并拟合到数据上。编译模型时，使用 adam 优化器和 categorical_crossentropy 损失函数。此外，通过向 metrics 参数传入 'accuracy'，在训练过程中监控准确率。
# Compile the model
model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = 'accuracy'
)
# Store the fitting history in `history`
history <- model %>% fit(
iris.training,
iris.trainLabels,
epochs = 200,
batch_size = 5,
validation_split = 0.2
)
# Plot the history
plot(history)
# Plot the model loss of the training data
plot(history$metrics$loss, main="Model Loss", xlab = "epoch", ylab="loss", col="blue", type="l")
# Plot the model loss of the test data
lines(history$metrics$val_loss, col="green")
# Add legend
legend("topright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
在第一张图中，您绘制了模型在训练与测试数据上的损失。现在也以相同方式绘制模型准确率：
# Plot the accuracy of the training data
plot(history$metrics$acc, main="Model Accuracy", xlab = "epoch", ylab="accuracy", col="blue", type="l")
# Plot the accuracy of the validation data
lines(history$metrics$val_acc, col="green")
# Add Legend
legend("bottomright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
# Predict the classes for the test data
classes <- model %>% predict_classes(iris.test, batch_size = 128)
# Confusion matrix
table(iris.testtarget, classes)
# Initialize the sequential model
model <- keras_model_sequential()
# Add layers to model
model %>%
layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>%
layer_dense(units = 5, activation = 'relu') %>%
layer_dense(units = 3, activation = 'softmax')
# Compile the model
model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = 'accuracy'
)
# Fit the model to the data
odel %>% fit(
iris.training, iris.trainLabels,
epochs = 200, batch_size = 5,
validation_split = 0.2
)
# Evaluate the model
score <- model %>% evaluate(iris.test, iris.testLabels, batch_size = 128)
# Print the score
print(score)
# Initialize a sequential model
model <- keras_model_sequential()
# Add layers to the model
model %>%
layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>%
layer_dense(units = 5, activation = 'relu') %>%
layer_dense(units = 3, activation = 'softmax')
# Compile the model
model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = 'accuracy'
)
# Save the training history in history
history = - model %>% fit(
iris.training, iris.trainLabels,
epochs = 200, batch_size = 5,
validation_split = 0.2
)
# Plot the model loss
plot(history$metrics$loss, main="Model Loss", xlab = "epoch", ylab="loss", col="blue", type="l")
lines(history$metrics$val_loss, col="green")
legend("topright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
# Plot the model accuracy
plot(history$metrics$acc, main="Model Accuracy", xlab = "epoch", ylab="accuracy", col="blue", type="l")
lines(history$metrics$val_acc, col="green")
legend("bottomright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
隐藏单元
也试试在模型架构中增加更多隐藏单元，并像下面这样研究其对评估结果的影响：
# Initialize a sequential model
model <- keras_model_sequential()
# Add layers to the model
model %>%
layer_dense(units = 28, activation = 'relu', input_shape = c(4)) %>%
layer_dense(units = 3, activation = 'softmax')
# Compile the model
model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = 'accuracy'
)
# Fit the model to the data
odel %>% fit(
iris.training, iris.trainLabels,
epochs = 200, batch_size = 5,
validation_split = 0.2
)
# Evaluate the model
score = - model %>% evaluate(iris.test, iris.testLabels, batch_size = 128)
# Print the score
print(score)
# Initialize a sequential model
model <- keras_model_sequential()
# Build up your model by adding layers to it
model %>%
layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>%
layer_dense(units = 3, activation = 'softmax')
# Define an optimizer
sgd <- optimizer_sgd(lr = 0.01)
# Use the optimizer to compile the model
model %>% compile(optimizer=sgd,
loss='categorical_crossentropy',
metrics='accuracy')
# Fit the model to the training data
odel %>% fit(
iris.training, iris.trainLabels,
epochs = 200, batch_size = 5,
validation_split = 0.2
)
# Evaluate the model
score = - model %>% evaluate(iris.test, iris.testLabels, batch_size = 128)
# Print the loss and accuracy metrics
print(score)
# Define an optimizer
sgd <- optimizer_sgd(lr = 0.01)
# Compile the model
model <- compile(optimizer=sgd,
loss='categorical_crossentropy',
metrics='accuracy')
# Fit the model to the training data
history = - model %>% fit(
iris.training, iris.trainLabels,
epochs = 200, batch_size = 5,
validation_split = 0.2
)
# Plot the model loss
plot(history$metrics$loss, main="Model Loss", xlab = "epoch", ylab="loss", col="blue", type="l")
lines(history$metrics$val_loss, col="green")
legend("topright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
# Plot the model accuracy
plot(history$metrics$acc, main="Model Accuracy", xlab = "epoch", ylab="accuracy", col="blue", type="l")
lines(history$metrics$val_acc, col="green")
legend("bottomright", c("train","test"), col=c("blue", "green"), lty=c(1,1))
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
如您所知，机器学习是计算机科学（CS）的一个分支。而深度学习则是机器学习的一个子领域，它是一组受大脑结构与功能启发的算法，通常被称为人工神经网络（ANN）。深度学习是当前机器学习领域最热门的趋势之一，在许多问题上表现出色，例如机器人学、图像识别和人工智能（AI）。
今天的教程将带您用 keras 包在 R 中进行一次深度学习的快速入门：
想进一步了解原版 Keras，或深度学习中的关键概念，如感知机与多层感知机（MLP）？不妨考虑学习 DataCamp 的Deep Learning in Python 课程，或阅读Keras 教程：Python 中的深度学习。
提示：在此查看我们的Keras 速查表。
R 中的深度学习：包的简要概览
随着深度学习的流行，CRAN 上的 R 深度学习包也愈加丰富；下方是来自机器学习与统计学习 CRAN 任务视图的这些包的概览。“Percentile” 列表示在 RDocumentation 上的百分位：
提示：如需比较 R 中的深度学习包，请阅读这篇博文。关于 RDocumentation 中的排名与评分，请查看这篇博文。
deepr 与 MXNetR 未在 RDocumentation.org 上找到，因此这两个包的百分位未知。
Keras、keras 与 kerasR
最近，两个新包进入了 R 社区：由 Taylor Arnold 编写与创建的kerasR 包，以及 RStudio 的 keras 包。
这两个包都为 Python 的深度学习包 Keras 提供了 R 接口。您可能已经听说过它，甚至用过它！对于不太了解 Keras 为 Python 用户提供什么的读者，它是“一个用 Python 编写的高层神经网络 API，可在 TensorFlow、Microsoft Cognitive Toolkit（CNTK）或 Theano 之上运行”。
接口？
您看，入门 Keras 是熟悉 Python 深度学习最容易的方式之一，这也解释了为什么 kerasR 与 keras 这两个包要为 R 用户提供这个优秀包的接口。
在这里，了解某个包（例如 R 的 keras）是另一个包（Python 的 Keras）的“接口”究竟意味着什么很重要。简单来说，这意味着 R 的 keras 包通过接口让您在享受 R 编程便利的同时，访问 Python Keras 包的能力。
这并不罕见：例如，h2o 包也提供了接口——顾名思义——对 H2O 的接口，H2O 是一个用于大数据的开源数学引擎，您可用其并行分布式地计算机器学习算法。您可能还知道其他提供接口的包，如 RWeka（R 到 Weka 的接口）、tensorflow（R 到 TensorFlow 的接口）、openml-r（R 到 OpenML 的接口）等等，不胜枚举！
Keras、keras 与 kerasR 有什么区别？
了解这些之后，您可能会先问：如何比较原始的 Python 包与 R 包？
本质上，R 包与原始 Python 包之间差别不大，主要因为函数名几乎都相同；您注意到的差异主要在编程语言本身（变量赋值、库加载等），而最重要的是看 R 包整合了多少原包的功能。
注意，这一点不仅适用于 keras 库，也同样适用于上文提到的 tensorflow、openml-r 等接口包！
其次，您也许会问，这两个 R 包彼此之间有何不同。若要比较，您可以参考以下几点：
keras 包使用管道操作符（%>%）将函数或操作串联起来，而在 kerasR 中您不会见到它：例如，用 kerasR 构建模型时，您需要使用 $ 操作符。使用管道通常能提升代码可读性，如果您之前用过 Tidyverse 包，一定见过它。
您会发现 kerasR 中的函数命名与原 Keras 包类似但并非完全相同。例如，最初的（Python）compile() 函数在 kerasR 中叫 keras_compile()；其他函数亦然，如 fit() 变成 keras_fit()，predict() 则变为 keras_predict。这些都是自定义封装函数。
可以说，RStudio 的 keras 包安装比 kerasR 更容易；安装后者之前，您需要先配置要使用的 Python 版本，如果您的电脑上有多个环境或多个 Python 版本，这会变得棘手。不过，这就交给您自己权衡啦 :)
现在您已经了解了一些背景，是时候真正开始在 R 中使用 Keras 了。正如本教程开头所述，您将首先完成工作环境的设置。然后，您会加载一些数据，并在简短的数据探索与预处理步骤后，开始构建您的 MLP！
让我们开始吧！
安装 keras 包
一如既往，使用任何包的第一步都是设置工作环境：在 RStudio 或您所用的任意环境中安装并加载库。
不必担心，在本教程中我们会为您加载该包！
首先，请确保已安装 keras：您可以在控制台中运行 devtools::install_github("rstudio/keras") 轻松完成。接着，加载该包并安装 TensorFlow：
完成这些后，您就可以开始了！很快，对吧？
提示：有关安装过程的更多信息，请查看包网站。
加载数据
现在安装过程很清晰，工作环境已就绪，您可以开始加载数据了！此时，对于数据来源您有三种主要选择：使用 keras 包自带的内置数据集、从例如 CSV 文件中加载您自己的数据集，或创建一些模拟数据。
无论您处在哪种情况，您都会发现可以很快上手。本节将快速介绍这三种方式，并解释如何加载（或创建）开始所需的数据！
内置数据集
如果您有使用 Python Keras 包的经验，可能已经用过 Keras 内置数据集，例如 mnist.load_data()、cifar10.load_data() 或 imdb.load_data()。
以下是用 keras 包加载 MNIST、CIFAR10 与 IMDB 数据的一些示例：
请注意，使用 keras 加载内置数据集的函数都遵循相同模式；对于 MNIST 数据，您将使用 dataset_mnist() 函数来加载数据。
模拟数据
或者，您也可以快速创建一些模拟数据来上手。可以使用 matrix() 函数轻松实现：
请注意，检查数据结构是个好主意；了解您正在处理的数据对后续步骤至关重要。更多内容将在教程后面介绍！
从文件读取数据
除了内置数据集，您还可以从文件中加载数据。对于本教程，您将重点从 CSV 文件加载数据；如果您想了解更多 R 中的文件导入，请参阅 DataCamp 的R 数据导入教程。
让我们使用 read.table 包中的 read.csv() 函数，从 UCI 机器学习库加载一个数据集：
检查数据导入是否成功总是个好主意。通常您会像上面的 DataCamp Light 代码块一样，使用 head()、str() 和 dim() 来快速完成这一步。
这三个函数的结果并未立即指出异常；从 str() 的输出可以看到，Species 列的字符串被读入为因子。这没问题，但对接下来的数据探索与预处理步骤很有帮助。
数据探索
在本教程中，您将继续使用通过 read.csv() 导入的著名 iris 数据集。
如果您缺乏处理该数据所需的生物学背景，请参考以下信息：所有花朵都包含萼片与花瓣。萼片包裹花瓣，通常为绿色、类似叶片；花瓣通常为有色的叶片。对于鸢尾花，这一点稍有不同，见下图：
您可能已经在上一节看到，导入后的 iris 数据框没有列名。对本教程余下部分而言，这并不重要：即便 read.csv() 返回的是 data.frame，传给 fit() 函数的数据需要是矩阵或数组。
关于刚提到的这两种数据结构，有几点要记住：- 矩阵与数组没有列名；- 矩阵是单一数据类型的二维对象；- 数组是单一数据类型的多维对象；
提示：如果想复习 R 中的数据结构，请查看这段视频！
另一方面，数据框是特殊的命名列表，其中所有元素长度相同。它是可以包含多种数据类型的多维对象。在上一节检查 iris 数据框结构时，您已经验证了这一点。知道了这些，并考虑到您需要将数据准备为单一数据类型的二维或多维对象，在构建神经网络之前就应准备做一些预处理！
目前来说，列名有助于探索，也更便于理解数据，因此我们用 names() 函数添加列名。然后，您就可以在数据探索中直接使用 iris 变量了！例如，用 plot() 函数绘制花瓣长度与花瓣宽度的相关性。
注意，您使用 unclass() 函数将物种名称（“setosa、versicolor、virginica”）转换为数值 1、2、3。
现在仔细看看绘图结果：
该图显示了不同鸢尾花物种的 Petal.Length 与 Petal.Width 存在正相关。不过，您可能仍希望使用 cor() 函数进行检验，它会给出数据集中所有属性之间的总体相关性：
此外，您可以将 corrplot 包与 cor() 函数结合，绘制数据各属性之间的相关性；这里您计算了 iris 数据框所有属性的总体相关性。将结果存入变量 M，然后传给 corrplot() 函数。
别忘了通过 method 参数指定绘图方式！
您可以在下方 DataCamp Light 代码块中进一步尝试不同的可视化方式：
利用 R 控制台进一步探索您的数据。
如果您想用 ggvis（交互式图形语法）来为该数据绘图，请查看 DataCamp 的R 机器学习入门教程，或学习 DataCamp 的ggvis 课程。
数据预处理
在构建模型之前，还需要确保您的数据已清洗、（如适用）归一化，并拆分为训练集与测试集。由于该数据集来自 UCI 机器学习库，可预期其已较为干净，但我们仍然仔细检查一下数据质量。
初看用 head() 检查时，似乎并无异常，对吗？让我们使用 summary() 与 str() 简要回顾一下在验证数据导入成功时得到的信息：
既然确认数据足够干净，您就可以开始检查本教程中所用数据是否需要归一化了。
使用用户自定义函数（UDF）归一化数据
从上方 DataCamp Light 代码块中 summary() 的结果可见，Iris 数据集不需要归一化：Sepal.Length 的取值范围为 4.3 到 7.9，Sepal.Width 为 2 到 4.4，Petal.Length 为 1 到 6.9，Petal.Width 为 0.1 到 2.5。换言之，Iris 数据集中所有属性的取值均在 0.1 到 7.9 的范围内，可认为是可接受的。
然而，研究归一化对数据的影响依然是个好主意；您甚至可以将归一化后的数据传给模型，看看是否有影响。这超出了本教程的范围，但欢迎您自行尝试！相关代码都在本教程中提供了 :)
您可以编写自己的函数来对 iris 数据进行归一化；这里使用的是最小-最大归一化函数，将您的数据线性变换为 (x-min)/(max-min)。从这个角度，将公式翻译成 R 代码很简单：编写一个函数，传入 x 或某些数据。先计算 x-min 的结果并存入 num。接着计算 max-min 并存入 denom。normalize() 函数应返回 num 与 max 的商。
要将该用户自定义函数应用到 iris 数据（不含目标值）上，您不仅需要使用 normalize，还要借助 lapply() 来归一化数据，如下所示：
提示：在 R 控制台使用 hist() 函数，分别查看归一化前（iris）和归一化后（iris_norm）Iris 数据的分布。
使用 keras 归一化数据
要使用 keras 包的 normalize() 函数，首先需要确保您在处理矩阵。正如之前所述，矩阵的特征是各元素类型相同；而您现在的目标值为因子类型，其他为数值型。
这需要先进行转换。
您可以用 as.numeric() 将数据转为数值：
数值型数据框可以，但若要使用 keras 包，需将数据转为数组或矩阵。可使用 as.matrix() 轻松完成；别忘了把 dimnames 设为 NULL。
正如上一节所述，对 Iris 数据进行归一化并非必要。不过，研究归一化及其影响仍是好主意，也可以看看如何既用 UDF 也用 keras 内置的 normalize() 完成归一化。
将数据转为矩阵后，您也可以使用 keras 包来研究归一化对数据的可能影响：
注意，这里您使用 dimnames() 将 iris 的 dimnames 设为 NULL。这可确保数据中没有列名。
训练集与测试集
既然您已经检查过数据质量，并且知道无需归一化，就可以继续使用原始数据，将其拆分为训练集与测试集，这样就终于可以开始构建模型了。这样做可以保证您之后对模型表现做出客观评估。
在将数据拆分为训练集与测试集之前，最好先设定随机种子。您可以用 set.seed() 轻松完成：直接传入一个随机整数。种子是 R 随机数生成器的一个数。设定种子的最大好处是：当您在随机数生成器中提供相同的种子时，可以得到相同的随机数序列。
这对代码的可复现性非常有利！
您使用 sample() 函数，按 Iris 数据集的行数（150）设置样本大小进行抽样。带放回抽样：从长度为 2 的向量中选择，将 150 行中的每一行标记为 1 或 2。元素的分配受 0.67 与 0.33 的概率权重影响。
sample() 的 replace 参数设为 TRUE，意味着为某一行分配 1 或 2 后，再将长度为 2 的向量恢复初始状态。
换句话说，对于数据集中接下来的行，每次依然可以分配 1 或 2。选择 1 或 2 的概率不应与剩余项目的权重成比例，因此您需要指定概率权重。
旁注：如果您使用的是内置数据集，例如特定的 dataset_imdb() 函数，数据可以方便地通过 $ 操作符拆分：
独热编码（One-Hot Encoding）
您已成功拆分数据，但在开始构建模型之前还有一步。您能猜到是哪一步吗？
当您要用神经网络来建模多分类问题时，一般需要将目标属性从“每个样本对应一个类别值的向量”转换为“每个样本对应一个布尔向量，表示该样本是否属于每个类别”的矩阵。
这就是独热编码（OHE）的通俗解释。听起来有点复杂，是吧？
幸好，keras 包提供了 to_categorical() 函数为您完成这一切；将 iris.trainingtarget 与 iris.testtarget 传给它，并将结果分别存入 iris.trainLabels 与 iris.testLabels：
至此，您已完成本教程的数据探索与预处理步骤。现在可以继续用 keras 构建神经网络了！
构建模型
开始构建模型前，您应先使用 keras_model_sequential() 函数初始化一个序列模型。然后，就可以开始建模了。
不过在开始之前，建议回顾一下关于该数据集的原始问题：您能否预测某一朵鸢尾花的物种？处理数值数据更容易，您已对数据进行预处理，并对目标变量做了独热编码：一朵花要么是 versicolor、setosa 或 virginica，用二进制 1 与 0 表示。
在此类问题上表现良好的网络类型是多层感知机。这种神经网络通常是全连接的。这意味着为解决此问题，您希望构建一个相对简单的全连接层堆叠。至于将使用的激活函数，为了熟悉 Keras 与神经网络，最好使用最常见的之一，即 ReLU（relu）激活函数。这个线性整流激活函数用于隐藏层，一般来说是不错的实践。
此外，您还会在输出层使用 softmax 激活函数。这样做是为了确保输出值在 0 到 1 之间，并可作为预测概率使用：
注意，输出层会产生 3 个输出值，分别对应每个 Iris 类别（versicolor、virginica 或 setosa）。另一方面，第一层包含 8 个隐藏单元，其 input_shape 为 4，这是因为训练数据 iris.training 有 4 列。
您可以使用以下函数进一步检查模型：
编译并拟合模型
既然已设定了模型架构，就该将模型编译并拟合到数据上。编译模型时，使用 adam 优化器和 categorical_crossentropy 损失函数。此外，通过向 metrics 参数传入 'accuracy'，在训练过程中监控准确率。
如果要编译模型，优化器与损失函数是必需的两个参数。
常用的优化算法包括随机梯度下降（SGD）、ADAM 与 RMSprop。根据所选算法的不同，您需要调整某些参数，如学习率或动量。损失函数的选择取决于任务类型：例如，回归问题通常使用均方误差（MSE）。
如本例所示，对于判断鸢尾花是 versicolor、virginica 还是 setosa 的多分类问题，我们使用了 categorical_crossentropy 损失函数。但请注意，若是二分类问题，应使用 binary_crossentropy 损失函数。
接下来，您也可以将模型拟合到数据上；本例中，您对 iris.training 与 iris.trainLabels 中的所有样本训练 200 个周期（epoch，或迭代），每批 5 个样本。
提示：如需，可在 fit() 函数中设置 verbose 参数。将其设为 1，表示希望看到进度条日志。
上述代码会在指定的若干个 epoch（或对训练数据集的曝光次数）中训练模型。一个 epoch 是对整个训练集的一次完整遍历，随后对验证集进行测试。代码中指定的 batch size 定义了每次经由网络传播的样本数。同时，这样做还能优化效率，因为您确保不会一次将过多的输入样本加载进内存。
可视化模型训练历史
同样值得一提的是，如果将上面 DataCamp Light 代码块中的拟合过程赋值给某个变量，您还可以可视化拟合过程。然后将该变量传给 plot() 函数，就像这个代码块中展示的那样！
请务必更仔细地研究该图。
乍一看，这些图有些杂乱。您可能并不完全知道自己在看什么，对吧？
有一件好事要知道：loss 与 acc 分别表示模型在训练数据上的损失与准确率，而 val_loss 与 val_acc 则是相同指标在测试或验证数据上的表现。
但即便知道这些，这两幅图也不容易解读。让我们把它们拆解为更容易理解的部分！您可以将两张图拆分为两张独立的图：一张显示模型损失，另一张显示模型准确率。幸好，您可以使用 $ 操作符访问数据并一步步绘制。
查看下方 DataCamp Light 代码框，看看该如何操作：
在第一张图中，您绘制了模型在训练与测试数据上的损失。现在也以相同方式绘制模型准确率：
此处需注意以下几点：
预测新数据的标签
现在模型已创建、编译并拟合到数据上，是时候实际使用模型来为测试集 iris.test 预测标签了。正如您可能预料的，可以使用 predict() 函数来完成。之后，您可以打印混淆矩阵，借助 table() 函数查看 iris.test 数据的预测标签与真实标签。
您觉得结果如何？乍看之下，这个模型是否做出了正确的预测？
评估模型
尽管通过查看 iris.test 的预测标签，您已经对模型表现有了大致了解，但仍然很有必要花时间评估模型。使用 evaluate() 函数来完成：传入测试数据 iris.test、测试标签 iris.testLabels，并定义 batch size。像下面的代码示例一样，将结果存入变量 score：
打印 score 后，您将得到损失值与度量值（此处为“accuracy”）。
微调模型
模型微调可能是您会经常做的事情，尤其在开始阶段，因为并非所有分类与回归问题都如本教程前半部分那样直接。正如上文所述，至少有两项关键决策您很可能会调整：您将使用多少层，以及每层选择多少个“隐藏单元”。
在开始阶段，这确实是一段探索之旅。
除了调整 epoch 数量或 batch size，还有其他方法可尝试改进模型表现：添加层、增加隐藏单元数量，以及在 compile() 函数中传入自定义优化参数。本节将逐一介绍这三种方式。
添加层
如果在模型中再添加一层，会发生什么？如果模型变成下面这样呢？
注意，您也可以可视化这个新模型的损失与准确率指标！在下方 DataCamp Light 代码块中尝试一下：
隐藏单元
也试试在模型架构中增加更多隐藏单元，并像下面这样研究其对评估结果的影响：
请注意，一般来说这并非总是最好的优化方式，因为如果数据不多，过拟合可能会更严重。因此在本例这样的小数据集上，应尽量使用小网络。
为何不试试可视化在模型中添加隐藏节点的效果？在下方尝试一下：
优化参数
除了添加层与调整隐藏单元，您还可以尝试调整传递给 compile() 函数的优化算法的（部分）参数。到目前为止，您一直向 optimizer 参数传入一个字符串向量 adam。
但并不总是非这么做不可！
也试试其他优化算法，如随机梯度下降（SGD）。例如，使用 optimizer_sgd() 函数来调整学习率 lr。您是否注意到了效果？
除了更换优化器，您还可以尝试使用更小的学习率来训练网络。这是一种最常见的微调技巧之一；常见做法是将初始学习率设为之前用于训练模型的 1/10。
让我们再可视化一次训练历史，看看这项小调整的效果：
保存、加载或导出模型
在使用 keras 包的旅程中，还有最后一件事：保存或导出模型，以便您可以在其他时间重新加载它。
save_model_hdf5(model, "my_model.h5") model <- load_model_hdf5("my_model.h5")save_model_weights_hdf5("my_model_weights.h5") model %>% load_model_weights_hdf5("my_model_weights.h5")使用 Keras 进行深度学习
恭喜您！您已经完成了这篇使用 keras 在 R 中进行深度学习的教程。这只是您在 R 中深度学习旅程中的一小步；还有更多内容等待探索！如果您还没有学习 DataCamp 的Deep Learning in Python 课程，不妨考虑一下。
与此同时，也请务必查看 Keras 文档与 RStudio 的keras 文档（如果您还未查看）。您将找到更多示例与函数、参数、更多层等信息。另外，看看 François Chollet 的著作“Deep Learning with Python”。这些资源无疑对学习如何在 R 中使用神经网络大有裨益！