Skip to content

Latest commit

 

History

History
151 lines (89 loc) · 3.94 KB

深度学习之Keras入门.md

File metadata and controls

151 lines (89 loc) · 3.94 KB
Raw

Keras是一个上层的神经网络API，它由纯Python编写而成并基Tensorflow、CNTK或者Theano为后端，其项目地址位于 https://github.com/fchollet/keras 。

Keras的核心数据结构是**"模型"，这是一种组织网络层的方式。最简单的模型是Sequential**模型，这是一系列网络层按顺序构成的栈。

Keras环境搭建

Keras依赖下面几个库：

numpy, scipy
yaml
HDF5 and h5py (Optional)
cuDNN (Optional)

具体搭建步骤：

  • 安装开发包

    sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim

  • 安装运算加速库

    sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev

  • 安装keras

    pip install keras

  • 安装tensorflow(使用TensorFlow为后端)

    pip install tensorflow # for Python 2.7 pip install tensorflow-gpu # for Python 2.7 and GPU

  • keras中mnist数据集测试

    git clone https://github.com/fchollet/keras.git cd keras/examples/ python mnist_mlp.py

Keras上层API使用

搭建模型

搭建一个Sequential模型：

from keras.models import Sequential
from keras.layers import Dense, Activation

可以通过向Sequential模型传递一个layer的list来构造该模型：

model = Sequential([
    Dense(units=64, input_shape=(100,)),
    Activation('relu'),
    Dense(units=10),
    Activation('softmax'),
])

也可以通过.add()方法一个个的将layer加入Sequential模型中：

model = Sequential()
model.add(Dense(units=64, input_dim=100))
model.add(Activation('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))

编译模型

这一步用来配置模型的学习流程，编译模型时必须指明损失函数、优化器、度量：

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

  • 损失函数

    该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。

  • 优化器

    该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或者为一个Optimizer类的对象。

  • 度量

    对分类问题，一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字，也可以是一个用户定制的函数。

如果你需要的话，你可以自己定制损失函数：

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

训练模型

我们在训练数据上按batch进行一定次数的迭代来训练网络：

model.fit(x_train, y_train, epochs=5, batch_size=32)

我们也可以手动将一个个batch的数据送入网络中训练：

model.train_on_batch(x_batch, y_batch)

评估模型

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

模型预测

classes = model.predict(x_test, batch_size=128)

Keras代码举例

以**"基于多层感知器(Multilayer Perceptron, MLP)的sigmoid二分类"**为例，代码如下：

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation

# Generate dummy data, with 2 classes (binary classification)
import numpy as np
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))

model = Sequential()
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

# Train the model, iterating on the data in batches of 128 samples
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)

score = model.evaluate(x_test, y_test, batch_size=128)
print(score)

运行结果

image