深度学习 Keras入门一之基础篇

末蓝、 2022-01-30 14:53 300阅读 0赞

1.关于Keras

1）简介

Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：

a）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）

b）支持CNN和RNN，或二者的结合

c）无缝CPU和GPU切换

2）设计原则

a）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。

b）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。

c）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。

d）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。

如果你觉得这篇文章看起来稍微还有些吃力，或者想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击[这里][Link 1]可以查看教程。

2.Keras的模块结构

![1119747-20170707133635659-888158147.png][]

3.使用Keras搭建一个神经网络

![1119747-20170707133932722-715494711.png][]

4.主要概念

1）符号计算

Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。无论是Theano还是TensorFlow，都是一个“符号式”的库。符号计算首先定义各种变量，然后建立一个“计算图”,计算图规定了各个变量之间的计算关系。

符号计算也叫数据流图，其过程如下(gif图不好打开，所以用了静态图，数据是按图中黑色带箭头的线流动的)：

![1119747-20170707135253581-1586562235.png][]

2）张量

张量(tensor)，可以看作是向量、矩阵的自然推广，用来表示广泛的数据类型。张量的阶数也叫维度。

0阶张量,即标量,是一个数。

1阶张量,即向量,一组有序排列的数

2阶张量,即矩阵,一组向量有序的排列起来

3阶张量，即立方体，一组矩阵上下排列起来

4阶张量......  
依次类推

重点：关于维度的理解

假如有一个10长度的列表，那么我们横向看有10个数字，也可以叫做10维度，纵向看只能看到1个数字，那么就叫1维度。注意这个区别有助于理解Keras或者神经网络中计算时出现的维度问题。

3）数据格式(data\_format)

目前主要有两种方式来表示张量：  
a) th模式或channels\_first模式，Theano和caffe使用此模式。  
b）tf模式或channels\_last模式，TensorFlow使用此模式。

下面举例说明两种模式的区别：  
对于100张RGB3通道的16×32（高为16宽为32）彩色图，  
th表示方式：（100,3,16,32）  
tf表示方式：（100,16,32,3）  
唯一的区别就是表示通道个数3的位置不一样。

4）模型

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。  
a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单  
b）函数式模型（Model）：多输入多输出，层与层之间任意连接。这种模型编译速度慢。

5.第一个示例

这里也采用介绍神经网络时常用的一个例子：手写数字的识别。

在写代码之前，基于这个例子介绍一些概念，方便大家理解。

PS：可能是版本差异的问题，官网中的参数和示例中的参数是不一样的，官网中给出的参数少，并且有些参数支持，有些不支持。所以此例子去掉了不支持的参数，并且只介绍本例中用到的参数。

1）Dense(500,input\_shape=(784,))

a）Dense层属于网络层-->常用层中的一个层

b） 500表示输出的维度，完整的输出表示：(\*,500)：即输出任意个500维的数据流。但是在参数中只写维度就可以了，比较具体输出多少个是有输入确定的。换个说法，Dense的输出其实是个N×500的矩阵。

c）input\_shape(784,) 表示输入维度是784(28×28，后面具体介绍为什么)，完整的输入表示：(\*,784)：即输入N个784维度的数据

2）Activation('tanh')

a）Activation：激活层

b）'tanh' ：激活函数

3）Dropout(0.5)

在训练过程中每次更新参数时随机断开一定百分比（rate）的输入神经元，防止过拟合。

4）数据集

数据集包括60000张28×28的训练集和10000张28×28的测试集及其对应的目标数字。如果完全按照上述数据格式表述，以tensorflow作为后端应该是（60000,28,28,3），因为示例中采用了mnist.load\_data()获取数据集，所以已经判断使用了tensorflow作为后端，因此数据集就变成了(60000,28,28),那么input\_shape(784,)应该是input\_shape(28,28，)才对，但是在这个示例中这么写是不对的，需要转换成(60000,784),才可以。为什么需要转换呢？

![1119747-20170707145150519-637435869.png][]

如上图，训练集(60000,28,28)作为输入，就相当于一个立方体，而输入层从当前角度看就是一个平面，立方体的数据流怎么进入平面的输入层进行计算呢？所以需要进行黄色箭头所示的变换，然后才进入输入层进行后续计算。至于从28\*28变换成784之后输入层如何处理，就不需要我们关心了。(喜欢钻研的同学可以去研究下源代码)。

并且，Keras中输入多为(nb\_samples, input\_dim)的形式：即(样本数量，输入维度)。

5）示例代码

![复制代码][copycode.gif]

from keras.models import Sequential  from keras.layers.core import Dense, Dropout, Activation  from keras.optimizers import SGD  from keras.datasets import mnist  import numpy '''    第一步：选择模型'''model = Sequential()'''   第二步：构建网络层'''model.add(Dense(500,input_shape=(784,))) # 输入层，28*28=784  model.add(Activation('tanh')) # 激活函数是tanh  model.add(Dropout(0.5)) # 采用50%的dropoutmodel.add(Dense(500)) # 隐藏层节点500个  model.add(Activation('tanh'))  model.add(Dropout(0.5))model.add(Dense(10)) # 输出结果是10个类别，所以维度是10  model.add(Activation('softmax')) # 最后一层用softmax作为激活函数'''   第三步：编译'''sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数  model.compile(loss='categorical_crossentropy', optimizer=sgd, class_mode='categorical') # 使用交叉熵作为loss函数'''   第四步：训练   .fit的一些参数   batch_size：对总的样本数进行分组，每组包含的样本数量   epochs ：训练次数   shuffle：是否把数据随机打乱之后再进行训练   validation_split：拿出百分之多少用来做交叉验证   verbose：屏显模式 0：不输出  1：输出进度  2：输出每次的训练结果'''(X_train, y_train), (X_test, y_test) = mnist.load_data() # 使用Keras自带的mnist工具读取数据（第一次需要联网）# 由于mist的输入数据维度是(num, 28, 28)，这里需要把后面的维度直接拼起来变成784维  X_train = X_train.reshape(X_train.shape[0], X_train.shape[1] * X_train.shape[2]) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1] * X_test.shape[2])  Y_train = (numpy.arange(10) == y_train[:, None]).astype(int) Y_test = (numpy.arange(10) == y_test[:, None]).astype(int)model.fit(X_train,Y_train,batch_size=200,epochs=50,shuffle=True,verbose=0,validation_split=0.3)model.evaluate(X_test, Y_test, batch_size=200, verbose=0)'''    第五步：输出'''print("test set")scores = model.evaluate(X_test,Y_test,batch_size=200,verbose=0)print("")print("The test loss is %f" % scores)result = model.predict(X_test,batch_size=200,verbose=0)result_max = numpy.argmax(result, axis = 1)test_max = numpy.argmax(Y_test, axis = 1)result_bool = numpy.equal(result_max, test_max)true_num = numpy.sum(result_bool)print("")print("The accuracy of the model is %f" % (true_num/len(result_bool)))

![复制代码][copycode.gif]

[Link 1]: http://www.captainbed.net/csdn
[1119747-20170707133635659-888158147.png]: /images/20220130/feefb82554b742b1a9c0f99eadbe8362.png
[1119747-20170707133932722-715494711.png]: /images/20220130/0fe70ab73487461c89ea1e916c873e7f.png
[1119747-20170707135253581-1586562235.png]: /images/20220130/927c04cd8bf944a3bd4f2d0537192199.png
[1119747-20170707145150519-637435869.png]: /images/20220130/7586755e46824c9a8f8869ab59595b2e.png
[copycode.gif]: /images/20220130/5c3bd7efd69d4df1b08b31de5dcbdcdd.png