我有一个在convnet.js中创建的神经网络模型，需要使用Keras来定义。有人知道如何操作吗？

neural = {          net : new convnetjs.Net(),          layer_defs : [            {type:'input', out_sx:4, out_sy:4, out_depth:1},            {type:'fc', num_neurons:25, activation:"regression"},            {type:'regression', num_neurons:5}          ],          neuralDepth: 1      }

这是我目前所做的。我不能确定它是否正确。

   #---构建模型-----    model = models.Sequential()    # 输入层     model.add(layers.Dense(4, activation = "relu", input_shape=(4,)))      # 隐藏层     model.add(layers.Dense(25, activation = "relu"))     model.add(layers.Dense(5, activation = "relu"))    # 输出层    model.add(layers.Dense(1, activation = "linear"))     model.summary()    # 编译模型    model.compile(loss= "mean_squared_error" , optimizer="adam", metrics=["mean_squared_error"])

回答：

根据Convnet.js文档：“你的最后一层必须是损失层（分类使用’softmax’或’svm’，回归使用’regression’）。”此外：“创建一个回归层，它接受一个目标列表（任意数字，不一定是softmax/svm中的单一离散类别标签）并反向传播L2损失。”

这不太清楚。我怀疑“regression”层只是另一个全连接（Dense）神经元层。’regression’这个词可能指的是线性激活。所以，这次不使用’relu’吗？

无论如何，它可能会看起来像这样（非顺序模式）：

from keras.layers import Densefrom keras.models import Modelmy_input = Input(shape = (4, ))x = Dense(25, activation='relu')(x)x = Dense(4)(x)my_model = Model(input=my_input, output=x, loss='mse', metrics='mse')my_model.compile(optimizer=Adam(LEARNING_RATE), loss='binary_crossentropy', metrics=['mse'])

在阅读了一些文档后，convnet.js似乎是一个不错的项目。如果有了解神经网络的人加入，将会更好。