Keras教学(1):Keras是什么

【写在前面】：大家好，我是【猪葛】
一个很看好AI前景的算法工程师
在接下来的系列博客里面我会持续更新Keras的教学内容（文末有大纲）
内容主要分为两部分
第一部分是Keras的基础知识
第二部分是使用Keras搭建FasterCNN、YOLO目标检测神经网络
代码复用性高
如果你也感兴趣，欢迎关注我的动态一起学习
学习建议：
有些内容一开始学起来有点蒙，对照着“学习目标”去学习即可
一步一个脚印，走到山顶再往下看一切风景就全明了了

本篇博客学习目标：1、当朋友跟你谈论keras是什么的时候，你脑子不是一片空白；2、知道搭建神经网络的三个流程分别是：构建模型、搭配模型、训练模型。

Keras概念

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

如果你在以下情况下需要深度学习库，请使用 Keras：

• 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
• 同时支持卷积神经网络和循环神经网络，以及两者的组合。
• 在 CPU 和 GPU 上无缝运行。

Keras搭建神经网络总体流程

Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是Sequential 顺序模型 ，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

下面先逐一拆解每个函数的意思，更加具体的解释请看下面完整代码中的注释

Sequential模型如下所示：

from keras.models import Sequential

model = Sequential()

创建完model之后可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用.compile() 来配置学习过程：

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

完整代码（建议自己运行一遍，注意看代码注释，注意看代码注释，注意看代码注释）

"""
本实例使用的是tensorflow后端的keras，
所以导入keras的方式是
import tensorflow.keras
以此类推
"""


from tensorflow.keras.models import Sequential
import tensorflow as tf
from tensorflow.keras.layers import Dense

# ***************流程一：构建模型*********************
model = Sequential()   # 创建模型实例
model.add(Dense(units=64, activation='relu', input_dim=100))  # input_dim=100，表示输出的shape（None, 100）
model.add(Dense(units=10, activation='softmax'))  # 全连接的神经元个数为units=10， 激活函数activation='softmax'

# ***************流程二：搭配模型***********************
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])  # 选用模型训练使用的损失函数和优化函数和评价指标

# 或者使用实例对象，在实例化对象的过程中进行参数初始化，详情看类SGD的初始化
# model.compile(loss=keras.losses.categorical_crossentropy,
#               optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

# ****************流程三：训练模型***************************
# 自己假设训练数组
x_train, y_train = tf.random.truncated_normal(shape=(1000, 100)), tf.random.truncated_normal(shape=(1000, 1))
# x_train 和 y_train 是 Numpy 数组或者是Tensor变量都可，此处是Tensor变量， 开始训练
model.fit(x_train, y_train, epochs=5, batch_size=32)

代码运行结果

Train on 1000 samples
Epoch 1/5
1000/1000 [==============================] - 0s 391us/sample - loss: -0.3190 - accuracy: 0.1590
Epoch 2/5
1000/1000 [==============================] - 0s 48us/sample - loss: -0.3125 - accuracy: 0.1590
Epoch 3/5
1000/1000 [==============================] - 0s 50us/sample - loss: -0.3265 - accuracy: 0.1570
Epoch 4/5
1000/1000 [==============================] - 0s 50us/sample - loss: -0.3447 - accuracy: 0.1450
Epoch 5/5
1000/1000 [==============================] - 0s 64us/sample - loss: -0.3743 - accuracy: 0.1380

Process finished with exit code 0

有了这个总体框架，以后的内容不过就是在细化每一部分的知识和步骤而已，下期详细解释如何使用Sequence对象创建模型，欢迎关注收藏我的动态一起学习～，下面是系列内容目录截图：