Keras 基础(1)

你的名字 2023-07-15 12:58 36阅读 0赞

唉！！！这些大佬，写个LSTM每一个人的实现方法都不一样，有用Keras,TF,Pytorch等，可怜我啥时候才能看懂那篇论文的代码啊！！！！

## 好START ##

如果 用 tensorflow 来搭建神经网络，我们还需要下一些功夫，而使用keras 我们就省心了，提供高级的 API 供我们使用来搭建神经网络，keras 也走进了谷歌的大门，keras 也被整合到 tensorflow 方便我们使用。

## 定义模型样子 ##

这里说一下mnist是一个用到烂的数据集  
![在这里插入图片描述][20200316230422734.png]

# %pip install tensorflow
    import tensorflow as tf
    mnist = tf.keras.datasets.mnist # 28 x 28 images of hand-written digits 0-9
    #加载数据
    (x_train,y_train),(x_test,y_test) = mnist.load_data()
    #### 可视化数据

通过 keras.datasets 导入手写数字集，用于我们学习如何搭建神经网络来识别图中数字

import matplotlib.pyplot as plt
    plt.imshow(x_train[0])
    print(x_train[0])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70]  
使用 matplotlib 库可以将数据可视化，让我们更加直观地了解图片数据到底是什么。

plt.imshow(x_train[0],cmap=plt.cm.binary)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 1]

x_train = tf.keras.utils.normalize(x_train,axis = 1)
    x_test = tf.keras.utils.normalize(x_test, axis = 1)

我们可以对数据通过处理将数据映射到 1 - 0 区间，这样更便于处理。![在这里插入图片描述][20200316225240578.png]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 2]**开始搭建我们神经网络**

model = tf.keras.models.Sequential()

这里我们使用 Sequential 创建顺序执行执行神经网络。

# add layer first layer is input layer
    model.add(tf.keras.layers.Flatten())

首先将多维数据压缩为一维数据，作为输入数据。Dense 表示一个全连接的层，这也就是我们要添加一个输出 128 的全连接层。然后activation 可以指定激活函数。

model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
    model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))

添加两个神经层，因为每一层输入都是 128 而且激活函数使用简单的 relu，relu 相比其他激活函数计算简单。

model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))

接下来评价我们模型，可以指定 loss 函数类型，训练模型就是找到最合适方程，可以在 optimizer 指定找到最合适函数的方式。

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
    
    model.fit(x_train,y_train,epochs=3)

开始训练，第一个参数为训练集，y\_train 为期望值，x\_train 是二维数组，一维是训练集样本数量，第二个维度是图片大小，28 \* 28 = 784。对于 y\_train 的第一个维度就是样本的数量，第二个就是 10 维，因为我们图片是分为 10 类。  
![图][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 3]

其实这里还有参数batch\_size 指定数量，这样 keras 是根据 batch\_size 将数据进行划分，然后在 batch\_size 计算出 loss 函数得到然后根据 loss 函数（损失函数）结构调整一次参数依次类推，每一个 batch 都会根据loss 函数来更新参数

## 解析 ##

**batch\_size**：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。  
**epochs**：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial\_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital\_epoch

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 5]

然后每完成一次所有 batch 运算就算为 epoch  
![在这里插入图片描述][20200316231435530.png]  
**输出一个 loss**

(0.11153460214892402, 0.9629)

然后就可以检查一下我们训练成果了，我们可以将训练好模型保存起来，以便以后可以无需重复训练通过加载训练好的模型，来进行图形识别。

model.save('epic_num_reader.model')
    new_model = tf.keras.models.load_model('epic_num_reader.model')
    predictions = new_model.predict([x_test])
    print(predictions)

**模型保存这一步很重要**  
我之前一直以为在线上模型使用每次都要fit一下，显然不是的。sava model  
从结果来看我们训练出的模型可以满足我们需要，模型已经成功根据图片

通过我们测试模型现在已经可以识别出数字 7

# 一个demo下来，发现很多框架细节都不懂，真的得一个个参数去看了！！！ #

[20200316230422734.png]: /images/20230528/e143aca091154960819518af1a88e028.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70]: /images/20230528/6510c8d1d3bd47e7a1975152a73b4a2e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 1]: /images/20230528/1d29871aad7045edbc222affabf41913.png
[20200316225240578.png]: https://img-blog.csdnimg.cn/20200316225240578.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 2]: /images/20230528/78fbaf11106d4f41b8f405ccba239b12.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 3]: /images/20230528/17a0666be81d4ae8864ce2eaeda690f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 4]: /images/20230528/8309136eb52e456ca764717f56c519ee.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 5]: /images/20230528/1cbfd0d964fb4de996db7aace260c0b4.png
[20200316231435530.png]: /images/20230528/17b52e66580345688308ad10316057fe.png