keras使用问题总结一

本文主要介绍一下Keras的问答部分，其实很简单，后边可能不会详细说到，提前凉一下，便于翻看。

Keras介绍：

        Keras是一个极度简化、高度模块化的神经网络第三方库。基于Python+Theano开发，充分发挥了GPU和CPU操作。其开发目的是为了更快的做神经网络实验。适合前期的网络原型设计、支持卷积网络和反复性网络以及两者的结果、支持人工设计的其他网络、在GPU和CPU上运行能够无缝连接。

No.0 windows用户如何安装Keras框架？

        用pip方式安装很简单。即打开cmd，输入pip install keras，然后等待安装完毕即可。会自动安装需要的组件。如果pip命令失败，则建议按照win7安装Theano详细教程去安装Python+Theano。然后再安装Keras即可。其他安装方式见这里。

No.1怎么保存Keras模型？

不推荐使用pickle或cPickle。

(1) 如果只保存模型结构，代码如下：

[python]  view plain copy

1. # save as JSON  
2. json_string = model.to_json()  
3. # save as YAML  
4. yaml_string = model.to_yaml()  
5. # model reconstruction from JSON:  
6. from keras.modelsimport model_from_json  
7. model = model_from_json(json_string)  
8.    
9. # model reconstruction from YAML  
10. model =model_from_yaml(yaml_string)  

(2) 如果需要保存数据：

[python]  view plain copy

1. model.save_weights('my_model_weights.h5')  
2. model.load_weights('my_model_weights.h5')  

[python]  view plain copy

1. </pre><h2><span style="font-family:Microsoft YaHei;"><span style="font-size: 18px;">(3)    综合使用：</span></span></h2><p></p><pre name="code" class="python"><span style="font-family:Microsoft YaHei;">json_string = model.to_json()  
2. open('my_model_architecture.json','w').write(json_string)  
3. model.save_weights('my_model_weights.h5')  
4.    
5. model = model_from_json(open('my_model_architecture.json').read())  
6. model.load_weights('my_model_weights.h5')</span>  

No.2为什么训练损失比测试损失要大？

Keras有两种模型：训练和测试。规则化，比如Dropout和L1/L2，在测试时关闭了。

另外，训练损失是每一次训练batch的平均损失。模型因为在时刻变化，最开始的batch损失肯定要比最后的batches损失要高。另一方面，每一次epoch损失使用最后的epoch计算，因此返回的结果就比较小。

 No.3如何将中间层的输出可视化？

通过Theano function的output。示例如下：

[python]  view plain copy

1. <span style="font-family:Microsoft YaHei;"># with a Sequential model  
2. get_3rd_layer_output =theano.function([model.layers[0].input],  
3.  model.layers[3].get_output(train=False))  
4. layer_output =get_3rd_layer_output(X)  
5.    
6. # with a Graph model  
7. get_conv_layer_output =theano.function([model.inputs[i].inputfor iin model.input_order],model.outputs['conv'].get_output(train=False), on_unused_input='ignore')  
8. conv_output = get_conv_output(input_data_dict)</span>  

No.4如何用Keras处理不适合存放在内存中的数据集？

Batch trainingusingmodel.train_on_batch(X, y) 和model.test_on_batch(X, y)参考文档：modelsdocumentation。

You can also see batch training in action inour CIFAR10example.

 No.5当验证损失不再继续降低时，如何中断训练？

用EarlyStopping回调函数，代码如下：

[python]  view plain copy

1. <span style="font-family:Microsoft YaHei;">from keras.callbacksimport EarlyStopping  
2. early_stopping =EarlyStopping(monitor='val_loss', patience=2)  
3. model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])</span>  

参考文档：callbacks documentation

 No.6在训练时，数据会被随机打乱吗？

如果model.fit中的参数suffle=True时，会随机打算每一次epoch的数据。（默认打乱）

但是验证数据默认不会打乱。

 No.7如何记录每一次epoch的训练/验证损失/准确度？

Model.fit函数会返回一个 History 回调，该回调有一个属性history包含一个封装有连续损失/准确的lists。代码如下：

[python]  view plain copy

1. <span style="font-family:Microsoft YaHei;">hist = model.fit(X, y,validation_split=0.2)  
2. print(hist.history)</span>  

No.8如何让我的Keras脚本每次产生确定的数据？

在引入Kerans之前，引入numpy，并且用其random.seed(种子)产生一个随机数对象。这样在相同硬件的机器上运行时，每次产生的随机数的顺序都是一样的。

[python]  view plain copy

1. <span style="font-family:Microsoft YaHei;">import numpyas np  
2. np.random.seed(1234)  
3.    
4. # Keras imports start here  
5. from kerasimport ...</span>