Keras和tensorflow的区别

Keras 是一个高级的Python 神经网络框架，其文档详。Keras 已经被添加到 
TensorFlow 中，成为其默认的框架，为TensorFlow 提供更高级的API。 
如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是一个不错的选择。如 
果将TensorFlow 比喻为编程界的Java 或C++，那么Keras 就是编程界的Python。它作为 
TensorFlow 的高层封装，可以与TensorFlow 联合使用，用它很速搭建原型。 
另外，Keras 兼容两种后端，即Theano 和TensorFlow，并且其接口形式和Torch 有几分相 
像。掌握Keras 可以大幅提升对开发效率和网络结构的理解。 
1、 Keras 的优点 
Keras 是高度封装的，非常适合新手使用，代码更新速度比较很，示例代码也比较多，文 
档和我论区也比较完善。最重要的是，Keras 是TensorFlow 官方支持的。当机器上有可用的GPU 
时，代码会自动调用GPU 进行并行计算。 
Keras 官方网站上描述了它的几个优点，具体如下。 
● 模块化：模型的各个部分，如神经层、成本函数、优化器、初始化、激活函数、规范 
化都是独立的模块，可以组合在一起来创建模型。 
● 极简主义：每个模块都保持简短和简单。 
● 易扩展性：很容易添加新模块，因此Keras 适于做进一步的高级研究。 
● 使用Python 语言：模型用Python 实现，非常易于调试和扩展。 
2、 Keras 的模型 
Keras 的核心数据结构是模型。模型是用来组织网络层的方式。模型有两种，一种叫 
Sequential 模型，另一种叫Model 模型。Sequential 模型是一系列网络层按顺序构成的栈，是单 
输入和单输出的，层与层之间只有相邻关系，是最简单的一种模型。Model 模型是用来建立更 
复杂的模型的。 
这里先介绍简单的Sequential 模型的使用（后面将会以一个示例来介绍Model 模型）。首先 
是加载数据，这里我们假设数据已经加载完毕，是X_train, Y_train 和X_test, Y_test。然后构建模型： 
from keras.models import Sequential 
from keras.layers import Dense, Activation 
model = Sequential() 
model.add(Dense(output_dim=64, input_dim=100)) 
model.add(Activation(“relu”)) 
model.add(Dense(output_dim=10)) 
model.add(Activation(“softmax”)) 
然后，编译模型，同时指明损失函数和优化器： 
model.compile(loss=’categorical_crossentropy’, optimizer=’sgd’, metrics=[‘accuracy’]) 
最后，训练模型和评估模型： 
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32) 
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32) 
这就是一个最简单的模型的使用。如果要搭建复杂的网络，可以使用Keras 的Model 模型， 
它能定义多输出模型、含有共享层的模型、共享视觉模型、图片问答模型、视觉问答模型等。 
在Keras 的源代码的examples 文件夹里还有更多的例子，有兴趣的读者可以参参。 
3 Keras 的使用 
我们下载Keras 代码①到本地目录，将下载后的目录命名为keras。Keras 源代码中包含很多 
示例，例如： 
● CIFAR10—图片分类（使用CNN 和实时数据）； 
● IMDB—电影评论观点分类（使用LSTM）； 
● Reuters—新闻主题分类（使用多层感知器）； 
● MNIST—手写数字识别（使用多层感知器和CNN）； 
● OCR—识别字符级文本生成（使用LSTM）。 
这里我们主要用MNIST 示例进行讲解。 
1．安装 
Keras 的安装非常简单，不依赖操作系统，建议大家直接通过pip 命令安装： 
pip install keras 
安装完成后，需要选择依赖的后端，在~/.keras/keras.json 下修改最后一行backend 对应的 
值即可。修改后的文件如下： 
{ 
“image_dim_ordering”: “tf”, 
“epsilon”: 1e-07, 
“floatx”: “float32”, 
“backend”: “tensorflow” 
} 
2 、实现一个网络模型 
主要分为加载数据、模型构建、模型编译、模型训练、模型评估或者模型预测几步。下面我们 
就用最简单的MNIST 示例来看如何用Keras 实现一个卷积神经网络（CNN）。 
首先，定义好一参数以及加载数据，如下： 
batch_size = 128 
nb_classes = 10 # 分类数 
nb_epoch = 12 # 训练轮数 
# 输入图片的维度 
img_rows, img_cols = 28, 28 
# 卷积滤镜的个数 
nb_filters = 32 
# 最大池化，池化核大小 
pool_size = (2, 2) 
# 卷积核大小 
kernel_size = (3, 3) 
(X_train, y_train), (X_test, y_test) = mnist.load_data() 
if K.image_dim_ordering() == ‘th’: 
# 使用Theano 的顺序：(conv_dim1, channels, conv_dim2, conv_dim3) 
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols) 
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols) 
input_shape = (1, img_rows, img_cols) 
else: 
# 使用TensorFlow 的顺序：(conv_dim1, conv_dim2, conv_dim3, channels) 
X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1) 
X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1) 
input_shape = (img_rows, img_cols, 1) 
X_train = X_train.astype(‘float32’) 
X_test = X_test.astype(‘float32’) 
X_train /= 255 
X_test /= 255 
# 将类向量转换为二进制类矩阵 
Y_train = np_utils.to_categorical(y_train, nb_classes) 
Y_test = np_utils.to_categorical(y_test, nb_classes) 
下面来构建模型，这里用2 个卷积层、1 个池化层和2 个全连接层来构建，如下： 
model = Sequential() 
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1], 
border_mode=’valid’, 
input_shape=input_shape)) 
model.add(Activation(‘relu’)) 
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1])) 
model.add(Activation(‘relu’)) 
model.add(MaxPooling2D(pool_size=pool_size)) 
model.add(Dropout(0.25)) 
model.add(Flatten()) 
model.add(Dense(128)) 
model.add(Activation(‘relu’)) 
model.add(Dropout(0.5)) 
model.add(Dense(nb_classes)) 
model.add(Activation(‘softmax’)) 
随后，用model.compile()函数编译模型，采用多分类的损失函数，用Adadelta 算法做优化 
方法，如下： 
model.compile(loss=’categorical_crossentropy’, 
optimizer=’adadelta’, 
metrics=[‘accuracy’]) 
然后，开始用model.fit()函数训练模型，输入训练集和测试数据，以及batch_size 和nb_epoch 
参数，如下： 
model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, 
verbose=1, validation_data=(X_test, Y_test)) 
最后，用model.evaluate()函数来评估模型，输出测试集的损失值和准确率，如下： 
score = model.evaluate(X_test, Y_test, verbose=0) 
print(‘Test score:’, score[0]) 
print(‘Test accuracy:’, score[1]) 
计算出的损失值和准确率如下： 
Test score: 0.0327563833317 
Test accuracy: 0.9893 
这是一个非常简单的例子。尽管模型架构是不变的，但是读者要将其应用到自己的开发领 
域，一般是先读懂对应的神经网络论文，然后用这个架构去搭建和训练模型。 
3．模型的加载及保存 
Keras 的save_model 和load_model 方法可以将Keras 模型和权重保存在一个HDF5 文件中， 
这里面包括模型的结构、权重、训练的配置（损失函数、优化器）等。如果训练因为某种原因 
keras.models import save_model, load_model 
def test_sequential_model_saving(): 
model = Sequential() 
model.add(Dense(2, input_dim=3)) 
model.add(RepeatVector(3)) 
model.add(TimeDistributed(Dense(3))) 
model.compile(loss=objectives.MSE, 
optimizer=optimizers.RMSprop(lr=0.0001), 
metrics=[metrics.categorical_accuracy], 
sample_weight_mode=’temporal’) 
x = np.random.random((1, 3)) 
y = np.random.random((1, 3, 3)) 
model.train_on_batch(x, y) 
out = model.predict(x) 
_, fname = tempfile.mkstemp(‘.h5’) # 创建一个HDFS 5 文件 
save_model(model, fname) 
new_model = load_model(fname) 
os.remove(fname) 
out2 = new_model.predict(x) 
assert_allclose(out, out2, atol=1e-05) 
# 检测新保存的模型和之前定义的模型是否一致 
x = np.random.random((1, 3)) 
y = np.random.random((1, 3, 3)) 
model.train_on_batch(x, y) 
new_model.train_on_batch(x, y) 
out = model.predict(x) 
out2 = new_model.predict(x) 
assert_allclose(out, out2, atol=1e-05) 
如果只是希望保存模型的结构，而不包含其权重及训练的配置（损失函数、优化器），可 
以使用下面的代码将模型序列化成json 或者yaml 文件： 
json_string = model.to_json() 
json_string = model.to_yaml() 
保存完成后，还可以手动编辑，并且使用如下语句进行加载： 
from keras.models import model_from_json 
model = model_from_json(json_string) 
model = model_from_yaml(yaml_string) 
如果仅需要保存模型的权重，而不包含模型的结构，可以使用save_weights 和load_weights 
语句来保存和加载： 
model.save_weights(‘my_model_weights.h5’) 
model.load_weights(‘my_model_weights.h5’)

程序猿必关注这个技术，风头正劲，仅4个月薪酬45K
大数据技术与运用的成熟，应用集中于互联网、金融、医疗、新能源、通信和房地产等行业。整理平均薪资情况和大数据学习大纲供查看