深度学习-Keras框架学习笔记

看了很多前辈对深度学习框架的介绍,虽然很多新人会用TensorFlow,但是Keras代码更加简单精简,更受深度学习初学者的青睐。

Keras是一个高层神经网络API,Keras由纯Python编写而成并基TensorflowTheano以及CNTK后端。

Keras在以下场景会大放异彩:

  • 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

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,利用Keras可以使用这些独立的模块来构建自己的模型。

快速开始

Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。也可以查看函数式模型来学习建立更复杂的模型

Sequential模型如下

from keras.models import Sequential

model = Sequential()

将一些网络层通过.add()堆叠起来,就构成了一个模型:

from keras.layers import Dense, Activation

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

完成模型的搭建后,需要使用.compile()方法来编译模型:

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

编译模型时必须指明损失函数和优化器,如果需要的话,也可以自己定制损失函数。Keras的一个核心理念就是简明易用,同时保证用户对Keras的绝对控制力度,用户可以根据自己的需要定制自己的模型、网络层,甚至修改源代码。

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

完成模型编译后,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)

当然,也可以手动将一个个batch的数据送入网络中训练,这时候需要使用:

model.train_on_batch(x_batch, y_batch)

随后,可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:

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

或者,可以使用我们的模型,对新的数据进行预测:

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

搭建一个问答系统、图像分类模型,或神经图灵机、word2vec词嵌入器就是这么快。

为了更深入的了解Keras,可以查看一下下面的两个tutorial

新手教程:

安装

Keras使用了下面的依赖包,三种后端必须至少选择一种,我们建议选择tensorflow。

  • numpy,scipy
  • pyyaml
  • HDF5, h5py(可选,仅在模型的save/load函数中使用)
  • 如果使用CNN的推荐安装cuDNN

当使用TensorFlow为后端时:

当使用Theano作为后端时:

当使用CNTK作为后端时:

“后端”翻译自backend,指的是Keras依赖于完成底层的张量运算的软件包。

从源码安装Keras时,首先git clone keras的代码:

git clone https://github.com/fchollet/keras.git

接着 cd 到Keras的文件夹中,并运行下面的安装命令:

sudo python setup.py install

你也可以使用PyPI来安装Keras

sudo pip install keras

参考文章:https://keras-cn.readthedocs.io/en/latest/
posted @ 2018-12-26 15:29  博亭柳  阅读(454)  评论(0编辑  收藏  举报