Keras

Keras是一个高层神经网络库。Keras是由Python编写而成的，后端实现是基于Tensorflow，CNTK或Theano(Keras是一个库，可以理解为一个基于多种不同机器学习库提供相同api的库)。

这里写图片描述

Keras发展的要义是：将想法快速转换实验成果，（类似Python的理念：人生苦短，我用Python），正因为这样，Keras很适合做研究使用。

如果你对深度学习库有以下要求：

能够快速的、简便的实现idea
支持CNN和RNN
在CPU和GPU上快速切换

那么Keras会是一个非常好的选择~

安装Keras

Keras依赖

在安装Keras之前，需要安装一个Keras需要的任意一个后端引擎(backend engines，后端是指Keras需要依赖的底层张量运算所需要的机器学习库)：

TensorFlow
CNTK
Theano

建议选用TensorFlow。参考我的安装方法–>Ubuntu16.04+1080下配置Tensorflow

还有一些可选的依赖：

cuDNN (使用GPU加速Keras运行)
HDF5 and h5py (用于保存Keras模型)
graphviz and pydot (绘制模型图)

我个人觉得安装Anaconda+TensorFlow+Keras这一套，省心省力~

安装Keras库本身

安装Keras有两种方法：

使用PyPI安装(推荐)

sudo pip install keras
     
     
      
      1

也可以使用源码安装

First: 从github上将Keras源码clone下来

git clone https://github.com/fchollet/keras.git
       
       
        
        1

Then: 进入Keras目录，并执行安装程序

cd keras
sudo python setup.py install
       
       
        
        1
        
        2

查看是否安装和Keras的后端设置

打开终端

 >>>python               # 进入python环境
 >>>import keras         # 导入keras
 Using TensorFlow backend.
 >>>keras.__version__    # 查看当前Keras版本
 '2.0.8'
   
   
    
    1
    
    2
    
    3
    
    4
    
    5

这里写图片描述

如何切换后端为CNTK或Theano

Keras默认使用TensorFlow作为后端实现张量计算，如果你想切换Keras的后端为CNTK或Theano，参考Keras backends。

(现在Theano已经停止更新了，建议还是用TensorFlow吧)

一些基本概念

在学习Keras之前，需要有一些关于Keras、深度学习的基本概念。

张量

通常，在机器学习系统中使用张量(tensors)作为数据的基本结构，张量是这个领域的基础概念，那么tensor是啥？
张量是包含数据的容器，可以看做数字、向量、矩阵的扩展，它们都是张量的特殊表现。

0维的张量就是数字，即标量(0D tensors: Scale)

 >>> import numpy as np
 >>> x = np.array(12)
 >>> x
 array(12)
 >>> x.ndim
 0
     
     
      
      1
      
      2
      
      3
      
      4
      
      5
      
      6

只包含一个数字的张量称之为标量，在numpy中可通过ndim属性访问张量的维度

1维的张量就是一组数据，即向量(1D tensors:Vectors)

 >>> x = np.array([12, 3, 6, 14])
 >>> x
 array([12, 3, 6, 14])
 >>> x.ndim
 1
     
     
      
      1
      
      2
      
      3
      
      4
      
      5

2维的张量就是一组向量，即矩阵(2D tensors:Matrices)

 >>> x = np.array([[5, 78, 2, 34, 0],
                   [6, 79, 3, 35, 1],
                   [7, 80, 4, 36, 2]])
 >>> x.ndim
 2
     
     
      
      1
      
      2
      
      3
      
      4
      
      5

3维(例如一张彩色图片)及更多维度的张量

 >>> x = np.array([[[5, 78, 2, 34, 0],
                    [6, 79, 3, 35, 1],
                    [7, 80, 4, 36, 2]],
                   [[5, 78, 2, 34, 0],
                    [6, 79, 3, 35, 1],
                    [7, 80, 4, 36, 2]],
                   [[5, 78, 2, 34, 0],
                    [6, 79, 3, 35, 1],
                    [7, 80, 4, 36, 2]]])
 >>> x.ndim
 3
     
     
      
      1
      
      2
      
      3
      
      4
      
      5
      
      6
      
      7
      
      8
      
      9
      
      10
      
      11

在张量的表述上，一般把维度(dimension)称为轴(axis)。在深度学习中，一般使用的是从0D到4D的张量，在处理video data时可能会用到5D的张量

下图是4D张量的表示：

这里写图片描述

多张图片组成的4D张量，分别为长、宽、通道数、样本数。一般的我们在训练CNN模型时，定义的输入张量就是这样的形式。

张量的属性

一个张量有3个关键属性：

张量的axes(阶数)。
张量的shape。shape描述的张量每个axis的维度。例如上面举例的3D张量的shape为(3,3,5)；2D的张量shape为(2,5)；1D的张量shape为(4,)；0D的张量shape为()。
张量的数据类型(data type)。在numpy中dtype表示。

函数式模型

在原本的Keras版本中，模型其实有两种：

一种叫Sequential，称为序贯模型，也就是单输入单输出，一条路通到底，层与层之间只有相邻关系，跨层连接统统没有。这种模型编译速度快，操作上也比较简单。
第二种模型称为Graph，即图模型(大部分机器学习库都是基于这个模型)，这个模型支持多输入多输出，层与层之间想怎么连怎么连，但是编译速度慢。

可以看到，Sequential其实是Graph的一个特殊情况。新版Keras中，图模型被移除，而增加了functional model API，这更加强调了Sequential是特殊情况。一般的模型就称为Model，如果你要用简单的Sequential，还有一个快捷方式Sequential。

functional model API将其译为泛型模型，即只要是接收一个或一些张量作为输入，然后输出的也是一个或一些张量，统统都称作“model”。

Pyhon和深度学习基础

Keras使用的是Python语言，所以应该对Python有一定得了解。
Keras是一个深度学习库,所以基本的深度学习基础是要有的。
- 模型：监督学习、无监督学习、分类、回归等
- 损失函数、激活函数、过拟合、欠拟合等
- BP算法、梯度下降法、SGD、batch、epoch等
- 训练集、校验集、测试集等

开发环境

我的开发环境：

Ubuntu16.04（强烈建议在linux上开发）
TensorFlow 1.3-GPU（我的后端是tensorflow）
i7-7700k+GTX1080（没有显卡也能搞，就是速度慢点）

在MNIST上构建一个简单的神经网络

源代码：我的github。

MNIST数据集

Keras内置操作MNIST数据集的函数MNIST数据集介绍。可通过下面格式载入：

>>>from keras.datasets import mnist

>>>(train_images, train_labels), (test_images, test_labels) = mnist.load_data()  # 下载完MNIST数据集并载入
# ... 下载

>>>train_images.shape # 看一下训练集
(60000, 28, 28)
>>>len(train_labels)
60000
>>>test_images.shape # 看一下测试集
(10000, 28, 28)
>>>len(test_labels)
10000
   
   
    
    1
    
    2
    
    3
    
    4
    
    5
    
    6
    
    7
    
    8
    
    9
    
    10
    
    11
    
    12
    
    13

在使用之前，我们对数据做reshape以便于后面直接塞给model，同时对数据做归一化处理。原本我们的训练图片shape为(60000, 28, 28);dtype为uint8;值为[0, 255]之间。我们将其转化为dtype为float32; shape为(60000, 28 * 28);值为[0, 1].

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255
   
   
    
    1
    
    2
    
    3
    
    4
    
    5

同样的，我们也需要对labels做编码，用如下代码:

from keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
   
   
    
    1
    
    2
    
    3
    
    4

这样我们算是准备好了数据集了~

构建网络模型

神经网络的核心组成模型是层，层就是数据处理模块，也称之为过滤器(filter)。一般的有输入层、隐藏层、输出层。

from keras import models
from keras import layers

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))
   
   
    
    1
    
    2
    
    3
    
    4
    
    5
    
    6

这里我们构建的模型由两个Dense层组成，Dense层就是densely-connected (也称之为”fully-connected”，即FC)层。（我就在琢磨17年的整出来了DenseNet，Keras该怎么起名字）。第二层是softmax层，输出是一个10维向量，对应的就是数字0-9的可能性。(总和为1)。

为了能够训练模型，我们还需要做以下三步：

添加损失函数(loss function)：评估模型在训练集上训练的好坏程度，为模型修正提供了正确方向。
优化器(optimizer)：模型优化自身参数的方法
训练和测试之间的度量标准。

 network.compile(optimizer='rmsprop',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
   
   
    
    1
    
    2
    
    3

训练模型并评估

在构建好的模型上，开始训练：

>>>network.fit(train_images, train_labels, epochs=5, batch_size=128)

 Epoch 1/5
 60000/60000 [==============================] - 2s - loss: 0.2577 - acc: 0.9245     
 Epoch 2/5
 60000/60000 [==============================] - 1s - loss: 0.1042 - acc: 0.9690     
 Epoch 3/5
 60000/60000 [==============================] - 1s - loss: 0.0687 - acc: 0.9793     
 Epoch 4/5
 60000/60000 [==============================] - 1s - loss: 0.0508 - acc: 0.9848     
 Epoch 5/5
 60000/60000 [==============================] - 1s - loss: 0.0382 - acc: 0.9890 
   
   
    
    1
    
    2
    
    3
    
    4
    
    5
    
    6
    
    7
    
    8
    
    9
    
    10
    
    11
    
    12

可以看到，这里打印的log里主要有2个指标，’loss’表示network和训练集之间的loss，’acc’即表示network和训练集之间accuracy。可以看到，在训练集上acc很快达到了98.9%，下面看看模型在测试集上的表现：

 >>>test_loss, test_acc = network.evaluate(test_images, test_labels)
  9536/10000 [===========================>..] - ETA: 0s
 >>>print('test_acc:', test_acc)
 test_acc: 0.9777
   
   
    
    1
    
    2
    
    3
    
    4

可以看到在测试集上达到了97.7%,也还算不错。到此为止，我们搭建了一个简易的神经网络模型用于手写数字的识别，后面还将详细的讲解本小节用到的函数。

参考资料

Keras中文文档 SCP-173
《Deep Learning with Python》 Francois Chollet

        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/markdown_views-ea0013b516.css">
            </div>

本文转载自此链接

Keras学习笔记：Chapter1-Keras入门

Keras

安装Keras

Keras依赖

安装Keras库本身

查看是否安装和Keras的后端设置

如何切换后端为CNTK或Theano

一些基本概念

张量

张量的属性

函数式模型

Pyhon和深度学习基础

开发环境

在MNIST上构建一个简单的神经网络

MNIST数据集

构建网络模型

训练模型并评估

参考资料

猜你喜欢