简易的深度学习框架Keras代码解析与应用

再来一波论文周边吧——是关于代码的

总体来讲keras这个深度学习框架真的很“简易”，它体现在可参考的文档写的比较详细，不像caffe，装完以后都得靠技术博客，keras有它自己的官方文档（不过是英文的），这给初学者提供了很大的学习空间。
这个文档必须要强推！英文nice的可以直接看文档，我这篇文章就是用中文来讲这个事儿。

http://keras.io/

Keras官方文档

首先要明确一点：我没学过Python，写代码都是需要什么百度什么的，所以有时候代码会比较冗余，可能一句话就能搞定的能写很多~

---

论文引用——3.2 测试平台

项目代码是在Windows 7上运行的，主要用到的Matlab R2013a和Python，其中Matlab用于patch的分割和预处理，卷积神经网络搭建用到了根植于Python和Theano的深度学习框架Keras。Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU，用起来特别简单，适合快速开发。

---

程序代码下载：[ Github ]

等发表了就立刻放到Github :-)

---

参考资料

• 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-12-核心层
• 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-13-卷积层

---

1. 直接上卷积神经网络构建的主函数

def create_model(data):

    model = Sequential()

    model.add(Convolution2D(64, 5, 5, border_mode='valid', input_shape=data.shape[-3:])) 
    model.add(Activation('relu'))
    model.add(Dropout(0.5))

    model.add(Convolution2D(64, 5, 5, border_mode='valid'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.5))

    model.add(Convolution2D(32, 3, 3, border_mode='valid')) 
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Convolution2D(32, 3, 3, border_mode='valid')) 
    model.add(Activation('relu'))
    model.add(Dropout(0.5))

    model.add(Flatten())
    model.add(Dense(512, init='normal'))
    model.add(Activation('relu'))
    model.add(Dropout(0.5))

    model.add(Dense(LABELTYPE, init='normal'))
    model.add(Activation('softmax'))

    sgd = SGD(l2=0.0, lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    model.compile(loss='categorical_crossentropy', optimizer=sgd, class_mode="categorical")

    return model

这个函数相当的简洁清楚了，输入训练集，输出一个空的神经网络，其实就是卷积神经网络的初始化。model = Sequential()是给神经网络起了头，后面的model.add()是一直加层，像搭积木一样，要什么加什么，卷积神经网络有两种类型的层：1)卷积，2)降采样，对应到代码上是：

model.add(Convolution2D(64, 5, 5, border_mode='valid'))
# 加一个卷积层，卷积个数64，卷积尺寸5*5

model.add(MaxPooling2D(pool_size=(2, 2)))
# 加一个降采样层，采样窗口尺寸2*2

1.1 激活函数

注意：每个卷积层后面要加一个激活函数，就是在教科书上说的这个部分

它可以将卷积后的结果控制在某一个数值范围内，如0~1，-1~1等等，不会让每次卷积完的数值相差悬殊

对应到代码上是这句：

model.add(Activation('relu'))

这个激活函数（Activation）keras提供了很多备选的，我这儿用的是ReLU这个，其他还有