从零开始训练神经网络---Keras【学习笔记】[1/2]

Keras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：

1. 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）
2. 支持CNN和RNN，或二者的结合
3. 无缝CPU和GPU切换

Keras官网首页

一、背景

  本次构建神经网络最终目的：输入一张手写数字图片后，网络输出该图片对应的数字。

二、Keras代码实现

2.1 导入Keras库

import tensorflow as tf
from tensorflow.keras.datasets import mnist

如果没有安装TensorFlow，那么可以参考我之前的文章：重装CUDA和cuDNN(目的是装TensorFlow和pytorch)【个人梳理总结】

2.2 加载数据集(训练集和测试集)

  我们使用Keras下的MNIST手写字符数据集，可以使用如下命令下载数据集：

(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()
'''
load_data() returns tuple of NumPy arrays: (x_train, y_train), (x_test, y_test).
train_images: uint8 NumPy array of grayscale image data with shapes (60000, 28, 28), containing the training data. 
Pixel values range from 0 to 255.
train_labels: uint8 NumPy array of digit labels (integers in range 0-9) with shape (60000,) for the training data.
test_images: uint8 NumPy array of grayscale image data with shapes (10000, 28, 28), containing the test data. 
Pixel values range from 0 to 255.
test_labels: uint8 NumPy array of digit labels (integers in range 0-9) with shape (10000,) for the test data.
'''

下面是选做步骤~

  如果想验证一下各个变量的shape可以使用python中的断言关键字：

assert train_images.shape == (60000, 28, 28)
assert train_labels.shape == (10000, 28, 28)
assert test_images.shape == (60000,)
assert test_labels.shape == (10000,)

  我们可以使用matplotlib先为我们显示一下测试集第一张图片，请记住它：

digit = test_images[0]
import matplotlib.pyplot as plt

plt.imshow(digit, cmap=plt.cm.binary)  # 输出二值化图像
plt.show()

需要安装matplotlib，请移步至Matplotlib 3.5.2 documentation

  或者可以打印test_labels，记住第一个元素的label是什么。

print('test_labels', test_labels)

  不出意外的话结果是“7”。

2.3 搭建神经网络

  Sequential序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
  可以通过向Sequential模型传递一个layer的list来构造该模型，也可以像本文使用的通过.add()方法一个个的将layer加入模型中：

from tensorflow.keras import models
from tensorflow.keras import layers

network = models.Sequential()  # 创建实例命名为network。Sequential意为顺序的，即序贯模型。
network.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))  # 第一层需要加一个input_shape关键字参数
network.add(layers.Dense(10, activation='softmax'))  # ①输出层的units=10，意味着存在10个类别，实际意义为输出的结果是从0~10这是个数字。②我们想要将结果的分类数值范围限定在[0,1]之间，理论上activation也可以换成其他能够将结果限定在[0,1]的激活函数

关于Dense层的理解，可以阅读深入理解 KERAS 中 DENSE 层参数

  此时，我们可以通过一些命令整体查看搭建的神经网络(可任选其一)：

network.summary()  # 输出一下搭建的神经网络框架总结
tf.keras.utils.plot_model(network, "my_first_network.png")  # 图形化输出
keras.utils.plot_model(network, "my_first_network_with_shape_info.png", show_shapes=True)  # 带有输入shape和输出shape的图形化输出

输出结果省略，各位可在实践中自行感受。

  完成模型的搭建后，我们需要使用.compile()方法来编译模型：

• 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象；
• 损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数；
• 指标列表metrics：对分类问题，我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数。指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典。

network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

2.4 数据预处理

2.4.1 对训练集和测试集的数据部分预处理

• 将每张图片数据由(28， 28)的二维数组变成(28 * 28)的一维数组
• 将灰度图中[0, 255]的整数灰度值归一化为[0, 1]的浮点数

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

2.4.2 对训练集和测试集的标签部分预处理

  对应输出层的units=10，将标签做one-hot编码，用一个拥有10个元素的一位数组替换标签。我们需要把数值7变成一个含有10个元素的数组，然后在第8个元素设置为1，其他元素设置为0，即[0., 0., 0., 0., 0., 0., 0., 1., 0., 0.]

from tensorflow.keras.utils import to_categorical

print("before change:", test_labels[0])
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
print("after change: ", test_labels[0])

  你一定发现了我们使用了to_categorical函数。它是将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵, 用于应用到以categorical_crossentropy为目标函数的模型中.
  而我们在使用.compile()方法来编译模型参数中损失函数loss='categorical_crossentropy'，这符合多分类的要求。

2.5 开始对神经网络进行训练

network.fit(train_images, train_labels, epochs=5, batch_size=128)
"""
传入fit()各变量的含义：
train_images：用于训练的手写数字图片；
train_labels：对应的是图片的标记；
batch_size=128：每次网络从输入的图片数组中随机选取128个作为一组进行计算。
epochs=5: 每次计算训练数据将会被遍历5次。
fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况。
"""

2.6 测试神经网络的训练效果

  测试数据输入，检验网络学习后的图片识别效果。
  P.S. 识别效果与硬件有关(CPU/GPU)

本人使用的TensorFlow 2.5搭配GPU为：NVIDIA GeForce GTX 1660 Ti with Max-Q Design computeCapability: 7.5(辣鸡啊！多么想要一个3080！！！)

test_loss, test_acc = network.evaluate(test_images, test_labels, verbose=1)
# verbose: 日志记录——0:静默不显示任何信息，1(default):输出进度条记录
print('test_loss', test_loss)  # 打印loss
print('test_acc', test_acc)  # 打印accuracy

  展示训练过程输出信息：

2.7 神经网络的预测能力

  随机输入一张手写数字图片到网络中，看看它的识别效果

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
digit = test_images[1]  # 挑选测试集第2张图片，是数字2

plt.imshow(digit, cmap=plt.cm.binary)
plt.show()

test_images = test_images.reshape((10000, 28*28))
res = network.predict(test_images)  # 应用已经训练好的模型进行预测

for i in range(res[1].shape[0]):  # 提取第二个预测结果，即对数字2的预测结果
    if res[1][i] == 1:  # 看结果中10个元素的数组中第几位是1
        print("the number for the picture is : ", i)  # 第几位是1就输出这个数字的预测结果是几
        break

  展示预测结果输出：

结尾

  至此，我们完成了借助Keras编写出一个简单的预测手写数字的神经网络并完成了训练、测试和预测过程，实现了我们最初的目的。
  当然Keras的功能强大远不止于本文所展示的内容，更多丰富且便利的功能请各位继续参考附录学习探索。
  接下来我们还将继续学习，尝试不借助Keras而是依托numpy等库，更加贴近“从零开始”构建一个神经网络。
  最最重要的，本文一定存在错误和不足，恳请各位不吝赐教，不吝赐教！谢谢~！

附录一：有帮助的文档

1. 【官方】The Functional API
2. 【官方】The Model class
3. 【官方】The Sequential class
4. 【官方】Layer activation functions
5. Keras中文文档

附录二：网络上的好文分享

1. 深度学习笔记 目标函数的总结与整理 model.compile(loss='categorical_crossentropy'