初识Keras

最新推荐文章于 2024-02-21 12:30:09 发布

原创最新推荐文章于 2024-02-21 12:30:09 发布 · 322 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #Keras

Keras 专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍Keras深度学习库的使用方法，包括构建神经网络、设置评估标准、训练模型及保存模型等步骤。Keras是一款基于Theano和TensorFlow的高级API，支持快速原型设计，适用于CNN、RNN及其组合。

Conceptions:

Keras:基于Theano和TensorFlow的深度学习库

Keras是一个高层神经网络API，Keras由纯Python编写而成并基TensorFlow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换

Keras适用的Python版本是：Python 2.7-3.6

Keras的设计原则是

用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API，能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。
模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。

因此，在使用keras时，你会觉得你的任务实际上在拼积木构建网络。如下图：

这里我们用 Deep Learing 里面 “Hello World”级别的问题——手写文字分类为例进行讲解。

首先，我们可以去：http://yann.lecun.com/exdb/mnist/

下载手写数字的data set, 一共有四个，分别是training images, training labels, testing images, testing labels.

1. 首先，我们需要定义一个 function set（Neural Network）

model = Sequential() 创建一个连续的网络。这里 sequential 代表序惯模型。连续模型

接下来给model 添加Layers。使用 model.add

>>>>>>input_dim 代表上次层输入的data dimenion

>>>>>>“28*28"代表输入的图片的size是28*28pixels。

>>>>>>out_dim代表下一层的数据维度，如果是500个neturons 输出值就是500.（注意在最新版本中改为units=500）

>>>>>>Activation 选择添加激活方程的种类，图中用的是 Sigmod 方程，其实也可以用softplus,linear,relu等等。

>>>>>>第二层的之后layer不需要再给input，因为上次层的output 就是下层的input.

>>>>>>最后的output 的dim 应该是10，因为只有10个数字，所以是10维，他会给出每个分类的probablity。

通过添加 Softmax 可以输出最后概率。

Keras 2.0(语法更新)

补充： Dense

全连接层（对上一层的神经元进行全部连接，实现特征的非线性组合）

keras.layers.core.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel````是本层的权值矩阵，bias为偏置向量，只有当use_bias=True```才会添加。

如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。

units：大于0的整数，代表该层的输出维度。

activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）

use_bias: 布尔值，是否使用偏置项

# as first layer in a sequential model:

model = Sequential()

model.add(Dense(32, input_shape=(16,))) #input_shape=(16,)等价于input_dim=16

# now the model will take as input arrays of shape (*, 16) ，输入维度=16

# and output arrays of shape (*, 32) ，输出维度=32

# after the first layer, you don't need to specify

# the size of the input anymore:

model.add(Dense(32)) #这一层的input_shape=(32,)

全连接层(Fully Connected layer)就是使用了softmax激励函数作为输出层的多层感知机(Multi-Layer Perceptron)，其他很多分类器如支持向量机也使用了softmax。“全连接”表示上一层的每一个神经元，都和下一层的每一个神经元是相互连接的。全连接层的输出概率之和为1，这是由激励函数Softmax保证的。Softmax函数把任意实值的向量转变成元素取之0-1且和为1的向量。

综上，我们建立了一个Neural Network，其实它本身就是一个function Set.

2. 接下来，我们要进行step2，就是评价一下，这个function set的好坏。

model.compile()用于评价一个function的好坏，包括 loss function。optimizer（实时跟新learing rate方法）,以及metrics 的方法。optimizer 包括 SGD, RMSProp, Adagrad, Adadelta, Adam, Adamax, Nadam

这里使用了交叉熵作为损失函数， adam作为optimzer, "准确性"作为metrics的评价指标。