Keras Tutorial(一)
keras是一个深度学习高层api的框架,后端支持多种深度学习框架,如Tensorflow,适合初学者,和快速复现实验结果的研究者。
注意
这个系列可能不会有太多的理论,主要为实战为主,代码我也有详细的注释,理论基础薄弱的同学们,可以先看一些网络模型的基础介绍,然后再回头看代码,会发现并不是那么难。
下面我们我们用keras建立我们的第一个浅层的神经网络,你可以先不用懂的代码的含义,或者是函数的参数的意义。后面的系列更行我会再做详细的介绍。
# # 在这里我们以手写字Mnist数据集为示例
#
# ### 导入数据集
# 导入数据集
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import to_categorical
import matplotlib.pyplot as plt
import numpy as np
# keras的mnist数据即是以4维格式保存的
(train_data, train_labels), (test_data, test_labels) = mnist.load_data()
# 查看shape, 每个样本是28x28分辨率的灰度图
print(train_data.shape, train_labels.shape)
# 查看一些图片
plt.imshow(train_data[0])
plt.show()
plt.imshow(train_data[10])
plt.show()
# 再查看一下label
print(train_labels)
# ### 建立我们的网络架构
model = Sequential() # Sequential()是keras框架的序列化模型,我们用此来建立模型实例
# Dense是keras的全连接网络(Fully Connect),这里我我们建立了一个512个网络节点的隐藏层,且输入格式为28*28,刚好符合我们数据集的格式
# activation='relu': 使用relu激活函数
model.add(Dense(units=512, activation='relu', input_shape=(28*28, )))
# 输出层仍然是全连接层, 10个节点,代表10个类别
# activation='softmax', 表示激活函数为softmax,输出10个类别的概率
model.add(Dense(units=10, activation='softmax'))
# 模型建立完成后,我们还要预先编译compile我们的模型,才能够进行训练
# optimizer='rmsprop': 优化方法使用rmsprop方法
# loss='categorical_crossentropy': loss function为多类别对数损失函数,与softmax对应, 如果是二分类,激活函数sigmoid与binary_crossentropy对应
# metrics=['accuracy']: 训练过程总,监控的指标,这里我们使用准确度来作为监控指标
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
# ### 数据预处理
# 数据归一化, 因为图片像素的范围[0, 255],并且reshape数据为一维合适,因为全连接网络输入为一维格式
# 原格式为uint8格式,需要先转换为浮点型
train_data = train_data.reshape((60000, 28*28))
train_data = train_data.astype('float32') / 255.
test_data = test_data.reshape((10000, 28*28))
test_data = test_data.astype('float32') / 255.
# oneHot-encoding
# 因为原target格式是一个数值的,而网络的输出是10个结果的
# 所以需要进行OneHot-Encoding
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
print(train_labels)
# ### 进行训练
# 进行训练,并且返回训练的历史信息
history = model.fit(x=train_data, y=train_labels, batch_size=128, epochs=5)
# #### 很快我们就训练完了,在训练集上的准确率达到了$98.91%$的准确率
# #### 下面我们以绘图的形式,更直观的观察loss的变化和acc的变化
plt.style.use('ggplot')
plt.figure()
plt.plot(np.arange(0, 5), history.history['loss'], label='train_loss')
plt.plot(np.arange(0, 5), history.history['acc'], label='train_acc')
plt.title('Training Loss and Accuracy\n')
plt.xlabel('Epoch #')
plt.ylabel('Loss/Accuracy')
plt.legend()
plt.show()
# ### 模型评价,Evaluate
test_loss, test_acc = model.evaluate(x=test_data, y=test_labels, batch_size=128)
# 达到了97.82%的准确率
print('test_loss: ', test_loss)
print('test_acc: ', test_acc)
本人github地址:https://github.com/Gary-Deeplearning/Keras-Tutorial