Keras 深度学习框架介绍----一起来慢慢走进deep learning

Introduce

Keras 是一个高级 API ，用 Python 编写，能够在 TensorFlow 、 Theano 或 CNTK 上运行。 Keras 提供了一个简单和模块化的 API 来创建和训练神经网络，隐藏了大部分复杂的细节。

How to install keras?

Keras 安装的话需要安装Theano和TensorFlow作为Keras的背景库

这里安装流程如下：

pip install Theano
#If using only CPU
pip install tensorflow
#If using GPU
pip install tensorflow-gpu
pip install keras

笔者的开发环境是spyder,所以在命令行输入import  keras 。显示如下的话：

表示安装成功

Attention：笔者测试了一个二元分类程序，运行的时候，各种报错，然后网上查询资料。得知keras 默认backend是tensorflow。但是keras 只对theano 友好，所以只需要安装theano就行，然后让theano作为keras的backend.

原话来自Jason Brownlee, Ph.D 。见下图：

https://machinelearningmastery.com/tutorial-first-neural-network-python-keras/---JasonBrownlee, Ph.D 写的学习keras 的资料，网页下面的评论这个博士几乎每个人都回复了，很耐心，而且个人觉得看这些评论是解决自己疑问的好地方！！！！！

<1>配置theano 作为backend 的方法

C盘---用户--.keras 文件夹下--keras.json

将”backend”:”tensorflow” 改为图上所示。

<2> 进入安装python目录下的site-packages文件下（这个不再多说，写py程序的人都知道这个文件夹存储着什么）----keras文件夹-----backend文件夹----打开__init__.py脚本

将_BACKEND=”tensorflow”改为上图所示，其默认为tensorflow。

Keras workflow

第1步：load data

第2步：创建模型

１、Sequential　这是最常用的

２、Functional API　设计复杂模型，如多个输出等

方式１：from keras.modelsimport Sequential

from keras.layersimport Dense, Activation

model =Sequential([Dense(10, input_shape=(nFeatures,)),Activation('linear') ])

方式２：from keras.modelsimport Sequential

from keras.layersimport Dense, Activation

model = Sequential()

model.add(Dense(10, input_shape=(nFeatures,)))

model.add(Activation('linear'))

方式１等价与方式２,注意的是在第一层要指定输入的特征的大小，如样本ｍ＊ｎ，输入ｎ

第3步：配置参数

model.compile(optimizer='rmsprop',loss='mse', metrics=['mse', 'mae'])

参数含义分别是：

１、指定一个优化器，来更新权重

２、指定损失函数

３、指定度量标准

Foroptimizer

• Stochastic Gradient Descent ( SGD ),
• Adam, Adam: A method  for Stochastic Gradient Descent
• RMSprop,
• AdaGrad,
• AdaDelta, etc.

RMSprop　大多数问题中最好的优化器

至于损失函数要根据你的目的不同而设置

• binary-cross-entropy for a binary classification problem―――二元分类
• categorical-cross-entropy for a multi-class classification problem――多元分类
• mean-squared-error for a regression problem and so on.――均方根误差回归之类

第4步：训练模型

model.fit(trainFeatures,trainLabels, batch_size=4, epochs = 100)

第5步　模型评估

scores= model.evaluate(X, Y)

print("\n%s:%.2f%%" % (model.metrics_names[1], scores[1]*100))