Keras快速入门教程

引言

Keras是一个用于构建和训练深度学习模型的高级API, 后端计算主要使用TensorFlow、Microsoft-CNTK和Theano, 由于Theano已停止开发新功能转入维护阶段, 而且目前最新版的TensorFlow已经包含了Keras模块, 所以本教程采用基于TensorFlow的Keras进行讲解, TensorFlow版本1.4.1。Keras主要用于快速原型设计，高级研究和生产中，具有三个主要优势：

用户友好的

Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。

模块化和可组合的

Keras模型是通过将可配置的模块连接在一起而制定的，几乎没有限制。

易于扩展

很容易编写自定义模块以表达研究的新想法。创建新图层，损失函数并开发最先进的模型。

快速使用

快速搭建Keras示例代码： sequential model：

from keras.models import Sequential
model = Sequential()

可以在这个模型上加入新的层：

from keras.layers import Dense
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

然后编译模型：

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

或者：

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

训练模型的时候，使用fit会自动进行batch training：

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

当然也可以自己手动：

model.train_on_batch(x_batch, y_batch)

然后使用模型进行predict：

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

简单示例

# Import libraries and modules
import numpy as np
np.random.seed(123)  # for reproducibility

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPoolilng2D
from keras.utils import np_utils
from keras.datasets import mnist

# Load pre-shuffled MNIST data into train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Preprocess input data
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# Preprocess class labels
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)

# Define model architecture
model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape(1, 28, 28)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

# Compile model
model.compile(loss='categorical_crossentropy',
            optimizer='adam',
            metrics=['accuracy'])

# Fit model on training data
model.fit(X_train, Y_train,
        batch_size=32, epochs=10, verbose=1)

# Evaluate model on test data
score = model.evalute(X_test, Y_test, verbose=0)

相关链接：

results matching ""

    No results matching ""