Keras建立及使用模型步骤

简介

Keras 是与 TensorFlow 一起使用的更高级别的作为后端的API。

添加层、编译、拟合模型、预测等分别只需添加一行代码，其变量声明、占位符、会话都由API管理。

1. 定义模型

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()

2. 添加层

keras.layers.core.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

参数	含义
units	大于0的整数，该层的输出维度
activation	激活函数
use_bias	是否使用偏置项
kernel_initializer	权值初始化方法
bias_initializer	偏置向量初始化方法
kernel_regularizer	权重上的正则项
bias_regularizer	偏置向量上的正则项
activity_regularizer	输出上的正则项
kernel_constraints	权重上的约束项
bias_constraints	偏置上的约束项

每个隐藏层由前一层提供输入，只需为第一层指定输入维度

model.add(Dense(32, input_dim=13, activation='relu'))
model.add(10, activation='sigmoid')

3. 选择优化器和损失函数

Model.compile(optimizer, loss, metrics=[], loss_weights=None, sample_weight_mode=None)

参数	含义
optimizer	优化器：SGD、RMSprop、Adagrad、Adadelta、Adam、Adamax、Nadam
loss	目标函数：mean_squared_error或mse、mean_absolute_error或mae、mean_absolute_percentage_error或mape、mean_squared_logarithmic_error或msle、squared_hinge、hinge、binary_crossentropy、categorical_crossentropy、sparse_categorical_crossentrop、kullback_leibler_divergence、poisson、cosine_proximity
metrics	列表，评估模型在训练和测试时的性能的指标，典型用法是metrics=[‘accuracy’]
sample_weight_mode	如果需按时间步为样本赋权，设为“temporal”

model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])

4. 训练模型

Model.fit(x, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None)

参数	含义
x	输入数据。1个输入用numpy array，多个输入用list
y	标签
batch_size	每批训练批量大小
nb_epoch	迭代次数
verbose	日志显示。0无，1进度条，2每个迭代
callbacks	回调函数，list
validation_split	验证集比例，0-1
validation_data	指定验证集，tuple（此参数覆盖validation_spilt）
shuffle	是否随机打乱输入样本的顺序
class_weight	dict，将不同的类别映射为不同的权值，用于训练中调整损失函数
sample_weight	权值的numpy array，用于训练中调整损失函数。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=‘temporal’。

model.fit(data, labels, epochs=10, batch_size=32)

5. 训练模型

Model.predict(self, x, batch_size=32, verbose=0)

返回预测值的numpy array

model.predict(test_data, batch_size=10)

6. 保存模型

Model.save(self, filepath, overwrite=True, include_optimizer=True)

返回一个HDF5文件。包含：模型的结构（以便重构该模型）、模型的权重、训练配置（损失函数，优化器等）、优化器的状态（以便于从上次训练中断的地方开始）

model.save('my_model.h5')

7. 加载模型

keras.models.load_model(filepath, custom_objects=None, compile=True)

from keras.models import load_model
model = load_model('my_model.h5')

参考文献

1. MNIST & Keras保存模型并预测
2. Keras:基于Python的深度学习库 - Keras中文文档
3. Keras 中文文档
4. Keras 英文文档