簡介

Keras是一個(gè)高層神經(jīng)網(wǎng)絡(luò)API，Keras由純Python編寫而成并基于Tensorflow、Theano和CNTK后端。Keras 支持快速實(shí)驗(yàn)，能夠把你的idea迅速轉(zhuǎn)換為結(jié)果，適用場景：

• 簡易和快速的原型設(shè)計(jì)（keras具有高度模塊化，極簡，和可擴(kuò)充特性）
• 支持CNN和RNN，或二者的結(jié)合
• 無縫CPU和GPU切換

Keras適用的Python版本是：Python 2.7-3.6

keras的使用

Keras的核心數(shù)據(jù)結(jié)構(gòu)是“模型”，模型是一種組織網(wǎng)絡(luò)層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網(wǎng)絡(luò)層按順序構(gòu)成的棧。

Sequential模型如下:

1 2 3 4 5 6 7 8 9

from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential() model.add(Dense(units=64, input_dim=100)) model.add(Activation("relu")) model.add(Dense(units=10)) model.add(Activation("softmax"))

在Keras 0.x中，模型其實(shí)有兩種，一種叫Sequential，稱為序貫?zāi)Ｐ?#xff0c;也就是單輸入單輸出，一條路通到底，層與層之間只有相鄰關(guān)系，跨層連接統(tǒng)統(tǒng)沒有。這種模型編譯速度快，操作上也比較簡單。第二種模型稱為Graph，即圖模型，這個(gè)模型支持多輸入多輸出，層與層之間想怎么連怎么連，但是編譯速度慢。在Keras1和Keras2中，圖模型被移除，而增加了了“functional model API”，這個(gè)東西，更加強(qiáng)調(diào)了Sequential是特殊情況這一點(diǎn)。一般的模型就稱為Model，然后如果你要用簡單的Sequential，OK，那還有一個(gè)快捷方式Sequential。

另外還可以通過將一個(gè)層列表傳遞到構(gòu)建器的方式創(chuàng)建Sequential：

1 2 3 4 5 6

model = Sequential([ Dense(32, input_shape=(784,)), Activation('relu'), Dense(10), Activation('softmax'), ])

模型需要知道預(yù)期的輸入形狀，因此Sequential模型的第一層（只需第一層，因?yàn)楹竺娴膶幽茏詣?dòng)計(jì)算形狀）需要收到輸入形狀的信息。有幾種方式可以實(shí)現(xiàn)：

*將input_shape申明傳入第一層。這是一個(gè)形狀元組（整數(shù)或None，None意味可能是任意正整數(shù)），這里不包含批次維度。

*一些2D層如Dense，通過申明input_dim支持指明輸入形狀，一些3D的時(shí)序?qū)又С稚昝鱥nput_dim和input_length。

*如果需要指明固定的輸入批次規(guī)模（對(duì)狀態(tài)循環(huán)網(wǎng)絡(luò)有用），可以將batch_size申明傳入一個(gè)層。如果傳入batch_size=32和input_shape(6, 8)至一個(gè)層，它將期望所有輸入批次形狀為（32，6，8）。

完成模型的搭建后，我們需要使用.compile()方法來編譯模型：

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

編譯，訓(xùn)練模型前應(yīng)設(shè)置學(xué)習(xí)進(jìn)程，通過compile方法實(shí)現(xiàn)，它接受3個(gè)申明：

• 優(yōu)化器，可以是現(xiàn)成的優(yōu)化器如rmsprop或者adagrad，或者是自定義Optimizer類的實(shí)例。

• 損失函數(shù)，模型要最小化的對(duì)象，可以是現(xiàn)成的如categorical_crossentropy或者mse，或者自定義。

• 度量列表，對(duì)于分類問題我們使用metrics=[‘a(chǎn)ccuracy’]，可以是其它現(xiàn)成度量或自定義。

1 2 3

# 自定義模型的相關(guān)參數(shù) from keras.optimizers import SGD model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

lr表示學(xué)習(xí)速率,momentum表示動(dòng)量項(xiàng)，decay是學(xué)習(xí)速率的衰減系數(shù)(每個(gè)epoch衰減一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。

完成模型編譯后，我們?cè)谟?xùn)練數(shù)據(jù)上按batch進(jìn)行一定次數(shù)的迭代來訓(xùn)練網(wǎng)絡(luò)

1	model.fit(x_train, y_train, epochs=5, batch_size=32)

當(dāng)然，我們也可以手動(dòng)將一個(gè)個(gè)batch的數(shù)據(jù)送入網(wǎng)絡(luò)中訓(xùn)練，這時(shí)候需要使用：

1	model.train_on_batch(x_batch, y_batch)

隨后，我們可以使用一行代碼對(duì)我們的模型進(jìn)行評(píng)估，看看模型的指標(biāo)是否滿足我們的要求：

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

或者，我們可以使用我們的模型，對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測：

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

Keras提供了三種后端引擎Theano/Tensorflow/CNTK，并將其函數(shù)統(tǒng)一封裝，使得用戶可以以同一個(gè)接口調(diào)用不同后端引擎的函數(shù)。

• Theano是一個(gè)開源的符號(hào)主義張量操作框架，由蒙特利爾大學(xué)LISA/MILA實(shí)驗(yàn)室開發(fā)。
• TensorFlow是一個(gè)符號(hào)主義的張量操作框架，由Google開發(fā)。
• CNTK是一個(gè)由微軟開發(fā)的商業(yè)級(jí)工具包。

將backend字段的值改寫為你需要使用的后端：theano或tensorflow或者CNTK，即可完成后端的切換。我們也可以通過定義環(huán)境變量KERAS_BACKEND來覆蓋上面配置文件中定義的后端：

1 2	KERAS_BACKEND=tensorflow python -c "from keras import backend;" Using TensorFlow backend

張量可以看作是向量、矩陣的自然推廣，我們用張量來表示廣泛的數(shù)據(jù)類型。

參考：

keras —— 常用模型構(gòu)建

快速開始：30s上手Keras

DeepLearning tutorial（6）易用的深度學(xué)習(xí)框架Keras簡介——具有構(gòu)建CNN的代碼

利用keras搭建神經(jīng)卷積網(wǎng)絡(luò)（CNN）

總結(jié)

以上是生活随笔為你收集整理的keras的学习笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。