听它爹说他孩儿：Keras 学习笔记 4.2

Keras 简介

Keras 拥有以下重要功能：

• 代码可在 CPU 和 GPU 上同样运行。
• 用户喜欢的 API 可以快速构建深度学习原型。
• 内建机制支持卷积网络（用于计算机视觉），循环网络（用于处理序列）和上述二者的任何组合。
• 支持任意网络架构：多个输入或多个输出的模型，层共享，模型共享，等等。

Keras 拥有超过 200,000 的用户，其中大公司有 Google, Netflix, Uber, CERN, Yelp, Square 等。Keras 也是“开搞”（Kaggle）的流行框架。

用 Keras 进行开发

Keras 开发的流程是这样的：

1. 定义训练用的数据：输入张量和目标张量。
2. 定义层（或模型）的网络，把输入映射到目标。
3. 设置学习过程：选择损失函数、优化器，以及若干监测指标。
4. 用 fit() 函数，迭代训练模型。

定义模型有两种方法：一是用 Sequential 类（仅用于层的线性栈，这是最常见的网络架构）；二是用函数式接口 （对于多个层构成的有向无环图，可完整建造各种架构的网络）。这里有个用 Sequential 类定义的两层模型：

from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))

与其相同的模型，用函数式接口定义则是这样：

input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor)

这时操纵数据张量、层、模型等，仿佛它们都是函数。

在模型架构确定之后，使用 Sequential 模型或函数式接口都行，接下来的步骤是相同的。学习过程是在编译时设定，此时指定优化器和损失函数，以及训练过程中的监测指标。下面是常见的使用单个损失函数的例子：

from keras import optimizers
model.compile(optimizer=optimizers.RMSprop(lr=0.001),
loss='mse',
metrics=['accuracy'])

最后，在学习过程中，通过 fit( ) 函数把输入的 Numpy 数组，及其对应的目标数据传送给模型。这种做法，与 Scikit-Learn 等机器学习库的做法相似：

model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)

搭建深度学习工作站

在开始深度学习应用开发之前，你需要搭建自己的工作站。强烈建议使用 NVIDIA 的 GPU 跑你的代码。

图像处理的卷积网络和处理序列的循环网络，在 CPU （即使是多核的）上跑得极慢。同样的应用，在 GPU 上跑比在 CPU 上跑快 5 至 10 倍。

也可选择在谷歌或者其他商家提供的云平台上，以其提供的 GPU 实验你的应用，但需支付高额费用。

你的本地机器，最好使用 Unix 工作站。我们不推荐在 Windows 平台上跑 Keras 。在 Ubuntu 上跑 Keras，节省时间并减少麻烦。

为了使用 Keras，需要安装 TensorFlow 或者 CNTK 、Theano 。本书用的底层是 TensorFlow 。

深度学习，哪种 GPU 最好 ？

你只能使用 NVIDIA 公司的 GPU，在其产品中选择。