数据挖掘入门系列教程（十一）之keras入门使用以及构建DNN网络识别MNIST
简介
在上一篇博客：数据挖掘入门系列教程（十点五）之DNN介绍及公式推导中，详细的介绍了DNN，并对其进行了公式推导。本来这篇博客是准备直接介绍CNN的，但是想了一下，觉得还是使用keras构建一个DNN网络，然后进行一定的分类操作，这样能够更加的直观一点。
在这篇博客中将介绍：
- keras的基本使用
- 使用keras构建DNN对MNIST数据集进行预测
使用前准备
这次我们将使用keras库去构建神经网络，然后默认使用tensorflow作为后端，我是用的python库版本如下：
- keras：version 2.3.1
- tensorflow：version 2.1.0
这篇博客并不会讲keras，tensorflow的安装，不过值得注意的是，如果自己电脑有英伟达的显卡就尽量去装gpu版本的tensorflow，然后安装对应版本的cuda。一般来说使用GPU能够大幅度提高程序计算的速度(我的mx250哭晕在厕所)。至于AMD的显卡，emm，我就不知道支不支持了。
关于keras的具体使用，可以去看一看官方文档，但是目前官方文档的目录栏有一点问题，因此建议大家去看这个keras 中文文档，这个是根据官方文档生成的。
准备数据集
这里我们使用keras提供MNIST数据集，训练集为 60,000 张$ 28\times 28 = 784$像素灰度图像，测试集为 10,000 同规格图像，总共 10 类数字标签。
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
然后我们可以看一看数据集的shape：
print(x_train.shape, 'x_train samples')
print(x_test.shape, 'x_test samples')
print(y_train.shape, 'y_trian samples')
print(y_test.shape, 'Y_test samples')
此时，我们就已经加载好数据集了。我们可以稍微的看一看数据集长什么样子：
import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(12,10))
x, y = 8, 6
for i in range(x*y):
plt.subplot(y, x, i+1)
plt.imshow(x_train[i],interpolation='nearest')
plt.show()
因为数据集并不能能够直接进行训练或者训练效果不好，在这里我们将数据进行一下变换。比如说归一化，onehot编码（这个必须做）。
数据集的变换
首先，我们的DNN的设计如下：
输入层是由784个神经元构成的，但是在前面我们已经知道x_train.shape是(6000,28,28)。输出层由10个神经元构成，而y_train.shape是(6000,)，毋庸置疑，我们需要对x,y数据进行编码。
对于x数据来说，我们需要将它变成(6000,784)的类型，对于y我们进行onehot编码就行了（one hot编码在前面已经介绍过了，这里就不多做介绍了），同时在这里我们还将数据进行归一化（可以提高模型的准确率）。
import keras
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
# 将数据变成float类型，这样能够被255除
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
# one hot 编码，将类向量（整数）转换为二进制类矩阵。
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)
构建DNN网络
首先我们导入Sequential。
from keras.models import Sequential
Sequential是一个顺序模型：多个网络层的线性堆叠，每一层接受上一层的输入，向下一层进行输出，示意图如下：
这里，再说一个概念，全连接层，很简单理解，就是某一层用数学公式来表达就是\(output = W\times input\)，比如说下图中的layer2和layer3就是全连接的，也就是说layer2是全连接层。在keras中，可以使用Dense去创建一个全连接层。
关于Dense的参数，截取官方文档如下：
参数
- units: 正整数，输出空间维度。
- activation: 激活函数 (详见 activations)。 若不指定，则不使用激活函数 (即，「线性」激活:
a(x) = x)。- use_bias: 布尔值，该层是否使用偏置向量。
- kernel_initializer:
kernel权值矩阵的初始化器 (详见 initializers)。- bias_initializer: 偏置向量的初始化器 (see initializers).
- kernel_regularizer: 运用到
kernel权值矩阵的正则化函数 (详见 regularizer)。- bias_regularizer: 运用到偏置向的的正则化函数 (详见 regularizer)。
- activity_regularizer: 运用到层的输出的正则化函数 (它的 "activation")。 (详见 regularizer)。
- kernel_constraint: 运用到
kernel权值矩阵的约束函数 (详见 constraints)。- bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。
然我们来看一看具体的使用（里面涉及的几个激活函数随便去网上搜一下就知道了）：
from keras.layers import Dense, Dropout
# 创建一个网络模型
model = Sequential()
# 创建输入层 512代表的是输出维度为512，也就是第二层神经元有512个，输入维度为(784,)，激活函数为Relu
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
# 创建layer2，然后向下层输出的空间维度为512
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
# 输出层,因为只有10个数字，所以输出空间维度为10，激活函数为softmax。
model.add(Dense(10, activation='softmax'))
# 网络模型的介绍
print(model.summary())
Dropout 应用于输入。Dropout 包括在训练中每次更新时， 将输入单元的按比率随机设置为 0， 这有助于防止过拟合。
简单点来说，他就是这样的，随机（按比率）将某一个输入值变成0，这样他就没办法向下一层传递信息。
打印的网络结构模型如下所示，还是有蛮多参数的：
接着我们就来讲一下如何配置这个模型，在keras中，配置一个模型至少需要两个参数loss和optimizer。其中loss就是损失函数，optimizer就是优化器，也就是前篇博客提到的优化方法，比如说梯度下降法，牛顿法等等，metrics代表在训练和测试期间的模型评估标准。
from keras.optimizers import RMSprop
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
这里我们选择RMSprop，具体内容可以参考Day 69: rmsprop，然后loss我们选择categorical_crossentropy，因为它是多分类任务。其表达式为：
\(C E(x)=-\sum_{i=1}^{C} y_{i} \log f_{i}(x)\)
其中, \(x\)表示输入样本, \(C\)为待分类的类别总数。 \(y_{i}\) 为第\(i\)个类别对应的真实标签, \(f_{i}(x)\) 为对应的模 型输出值。
开始训练
最后我们可以使用这个模型来训练数据了，代码：
# history保存了每一次训练的loss，accuracy
history = model.fit(x_train, y_train,
batch_size=128,
epochs=32,
verbose=1,
validation_data=(x_test, y_test))
x_train, y_train这个就没必要解释了，很简单，就是训练的数据集。
batch_size代表每一次梯度更新的样本数，默认32。如何理解这个这一个参数呢？意思就是说每次一训练的时候训练batch_size个样本，针对每一个样本我们都可以求出它对应的loss，然后我们求和然后取平均\(C E(x)_{\text {final}}=\frac{\sum_{b=1}^{batch\_size} C E\left(x^{(b)}\right)}{N}\)，然后再使用BP算法。epochs: 训练模型迭代轮次。verbose: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。validation_data：用来评估损失，以及在每轮结束时的任何模型度量指标。 模型将不会在这个数据上进行训练。
部分打印数据如下：
在我的笔记本i5十代u，mx250的情况下，训练了大概1分多钟，毕竟数据集还是比较小的，然后参数也不是很多。
进行评估
# 这里的verbose和fit中的含义一样
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
最后结果如下图：
训练过程的accuracy和loss
这里我们将每一次轮训练以及测试对应的loss和accuracy画出来：
# 绘制训练过程中训练集和测试集合的准确率值
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
# 绘制训练过程中训练集和测试集合的损失值
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
总结
ok，这篇博客就结束了。总的来说还是蛮顺利的，因为不需要去推数学公式，基本上没有什么难度（当然，如果想更好的提高准确率还是蛮难的，可以去kaggle里面看一下大佬的解决方案）。这篇博客简单的介绍了keras使用，我力求将每一个用到的函数都讲清楚，但是实际上很难，因为可能我认为讲清楚了，但是实际上你可能还是没有明白。这个时候可以去多看一下官方文档，或者别人的博客，当然，私信我也是🆗的。
项目地址：Github
