Keras 第一课

听说用 Keras 建立算法模型比较简单，今天放假有时间试验一下。因为我的机器上已经安装 TensorFlow 了，因此安装Keras很简单，不再赘述。

一、实验数据

第一个练习基于印第安人糖尿病诊断数据，数据下载地址：印第安人糖尿病诊断数据

这组数据实际上是个文本文件，格式如下：

6,148,72,35,0,33.6,0.627,50,1
1,85,66,29,0,26.6,0.351,31,0
8,183,64,0,0,23.3,0.672,32,1
1,89,66,23,94,28.1,0.167,21,0
0,137,40,35,168,43.1,2.288,33,1
5,116,74,0,0,25.6,0.201,30,0
3,78,50,32,88,31.0,0.248,26,1
10,115,0,0,0,35.3,0.134,29,0
2,197,70,45,543,30.5,0.158,53,1
8,125,96,0,0,0.0,0.232,54,1
... ...

数据一共九列，其含义如下：

1. 怀孕次数
2. 血浆葡萄糖浓度
3. 舒张压
4. 三头肌皮皱褶厚度
5. 2小时血清胰岛素
6. 身体质量指数
7. 糖尿病谱系功能
8. 年龄
9. 是否糖尿病（0或者1）

资料称，该数据集基线准确率位 65.1%，使用10倍交叉验证法最高准确率在77.7%以内。我用 Keras 试一下，看看自己能做到多少。

二、模型代码

代码如下，感觉比 TensorFlow 简单很多。

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

np.random.seed(7)

dataset = np.loadtxt('pima-indians-diabetes.csv', delimiter = ',')
x = dataset[:, 0 : 8]
Y = dataset[:, 8]

model = Sequential()
model.add(Dense(500, input_dim=8, activation='sigmoid'))
model.add(Dense(100, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))

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

model.fit(x=x, y=Y, epochs=150, batch_size=10, validation_split=0.2)

scores = model.evaluate(x=x, y=Y)
print('\n%s : %.2f' % (model.metrics_names[1], scores[1]*100))

三、实验结果

运行了一下，结果还不错，有些测试结果甚至超出了 77.7%。

614/614 [==============================] - 0s 231us/step - loss: 0.3628 - accuracy: 0.8371 - val_loss: 0.6157 - val_accuracy: 0.7857
... ...
614/614 [==============================] - 0s 244us/step - loss: 0.3611 - accuracy: 0.8225 - val_loss: 0.6446 - val_accuracy: 0.7597
Epoch 149/150
614/614 [==============================] - 0s 237us/step - loss: 0.3822 - accuracy: 0.8062 - val_loss: 0.6143 - val_accuracy: 0.7662
Epoch 150/150
614/614 [==============================] - 0s 244us/step - loss: 0.3410 - accuracy: 0.8436 - val_loss: 0.6309 - val_accuracy: 0.7727
768/768 [==============================] - 0s 32us/step

accuracy : 84.38

还不错哦！

四、代码注释

1 Sequential()

model = Sequential()

Sequential 模型字面上的翻译是顺序模型，给人的第一感觉是那种简单的线性模型，但实际上Sequential 模型可以构建非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、等等。这里的Sequential更准确的应该理解为堆叠，通过堆叠许多层，构建出深度神经网络。

Sequential模型的核心操作是添加layers（图层），以下展示如何将一些最流行的图层添加到模型中：

#卷积层
model.add(Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(MaxPooling2D(pool_size=(2, 2)))
#全连接层
model.add(Dense(256, activation='relu'))
#dropout
model.add(Dropout(0.5))
#Flattening layer(展平层)
model.add(Flatten())

2 Dense()

Dense查到两种说法，一种说法是一个类，另一种说法是一个方法。我注意到源代码中的声明：

from keras.layers import Dense

在 python 中用 help(Dense)命令查看，确定本代码中 Dense 是一个类，完整命名为 keras.layers.core.Dense，具体内容可在 python 环境查看，不再赘述。

3 Sequential.compile()

compile()负责编译模型，在 python 环境中用 help( Sequential.compile) 查看：

Help on function compile in module keras.engine.training:

compile(self, optimizer, loss=None, metrics=None, loss_weights=None, 
	sample_weight_mode=None, weighted_metrics=None, target_tensors=None, **kwargs)

4 Sequential.fit()

Sequential.fit()负责训练模型。

help(Sequential.fit)
Help on function fit in module keras.engine.training:

fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, 
	validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, 
	sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, 
	validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False, **kwargs)
    
Trains the model for a fixed number of epochs (iterations on a dataset).

5 Sequential.evaluate()

Sequential.evaluate()用来测试模型。注意，在本练习中，因为我选择了 fit() 按照 0.2 的概率自动分割出测试集，因此，这个单独的评估是不需要的。

help(Sequential.evaluate)
Help on function evaluate in module keras.engine.training:

evaluate(self, x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False)
Returns the loss value & metrics values for the model in test mode.

Computation is done in batches.

---

参考文献

1. 云水木石：理解keras中的sequential模型
2. Friedrich Yuan：Keras大法（4）——Dense方法详解