Keras构建CNN讲解及代码

Keras构建CNN

摘要：keras能够极其简单的构造出CNN网络
使用TensorFlow创建卷积神经网络（CNN）来对MNIST手写数字数据集进行分类的方法很经典。TensorFlow是一款精湛的工具，具有强大的功能和灵活性。然而，对于快速原型制作工作，可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库，旨在流线化构建深度学习网络的过程。事实上，在TensorFlow教程中 ，TensorFlow大约需要42行完成的内容，在Keras中只需11行就可以完成类似的功能。接下来我将向你展示如何通过Keras做到这一点。

该Keras教程将向你展示如何使用MNIST数据集构建CNN并实现> 99％的准确性。它与我之前的卷积神经网络教程中构建的结构完全相同 ，下图显示了网络的架构：

这个Keras教程的完整代码可以在这里找到。

Keras教程中的主要代码讲解：

下面的代码是在此Keras教程中使用的CNN结构

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

接下来我们一步一步的来解释：

Model = Sequential()

Keras中的模型可以有两种——序贯和通过API函数。对于构建的大多数深度学习网络，序贯模型是最常用的。它允许你从输入到输出整个过程都能轻松地堆叠网络层（甚至循环层）。而API函数可以帮助你构建更复杂的网络体系结构，本教程将不介绍它。

第一行将模型类型声明为Sequential（）。

model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))

接下来，我们添加一个2D卷积层来处理2D MNIST输入的图像。传递给Conv2D（） 函数的第一个参数是输出通道的数量。这里我们设置为我们有32个输出通道，下一个输入是kernel_size，我们选择了一个5×5移动窗口，其次是x和y方向（1,1）的步态。接着，激活函数是整流线性单元，最后我们必须与输入层的大小提供模型。

还要注意，我们不必声明任何权重或偏差变量，Keras会帮助我们进行完成。

model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

接下来我们添加一个2D max pooling层。层的定义很简单。在这种情况下，我们只是简单地指定在x和y方向上的池的大小和（2，2）的步。

model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

接下来，我们添加另一个卷积层+最大池化层，具有64个输出通道。在Keras中Conv2D（）函数的参数默认的步伐是（1,1），在Keras 中默认步伐是使它等于池的大小。

该层的输入张量是（batch_size，28,28,32）28×28是图像的大小，32是来自上一层的输出通道数。但是，我们不必明确说明输入的形状是什么，Keras也能自动识别。这样可以快速组合网络架构，而不用担心网络周围张量的大小。

model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

现在我们已经在Keras中构建了卷积层，我们希望将这些输出平坦化，以完全进入我们的连接层。在TensorFlow中，我们为了平坦化必须弄清楚卷积层的输出张量的大小，还要明确我们的权重和偏差变量的大小。

接下来的两行声明了我们的完全连接层，使用Keras中的Dense（）层。首先我们指定大小，根据我们的架构，我们指定了1000个节点，每个节点都是由ReLU功能激活。第二个是我们softmax分类或输出层，这是我们类数量的大小。就这样 - 我们已经成功地开发了CNN的架构，只有8行代码。现在让我们来训练模型并执行预测。

训练和评估卷积神经网络

我们已经开发了Keras的CNN架构，但是我们还没有指定损失函数，或者告诉框架使用哪种类型的优化器（即梯度下降，Adam optimiser等）。在Keras中，这些可以在一个命令中执行：

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01),
              metrics=['accuracy'])

Keras提供了许多损失函数（或者你可以建立自己的），这里可以看到的keras所有的损失函数。我们将使用标准交叉熵来进行分类（keras.losses.categorical_crossentropy）。Keras还提供了许多优化器，可以在这里看到。在这种情况下，我们使用Adam优化器（keras.optimizers.Adam）。最后，我们可以在模型上运行evaluate（）时计算的度量。

接下来，我们要训练我们的模型。这可以通过在Keras中再次运行下面这个命令来完成：

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[history])

该命令看起来类似于非常受欢迎的Python机器学习库中scikit learn 使用的语法。我们首先传递我们的所有训练的数据，x_train和y_train，下一个参数是批量大小，我们不必在Keras训练期间明确我们数据的批量处理，而是指定批量大小。在这种情况下，我们使用的批量大小为128。接下来我们设置训练周期（在这种情况下为10）。详细标志在此处设置为1，指定设定是否要在控制台中打印详细信息以了解训练进度。

3328/60000 [>.............................] - ETA: 87s - loss: 0.2180 - acc: 0.9336
3456/60000 [>.............................] - ETA: 87s - loss: 0.2158 - acc: 0.9349
3584/60000 [>.............................] - ETA: 87s - loss: 0.2145 - acc: 0.9350
3712/60000 [>.............................] - ETA: 86s - loss: 0.2150 - acc: 0.9348

最后，我们将验证或测试数据传递给拟合函数，因此Keras知道在模型上运行evaluate（）时，会测量指标的数据。

一旦模型被训练，我们可以评估它并打印结果：

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

在上述模型培训10个周期之后，我们实现了99.2％的准确度，你可以看到每个周期的准确性的改善如下图所示：

Kersa让事情很更加简单了，你不觉得吗？我希望这个Keras教程已经展示了它如何成为深度学习解决方案的有用框架。

作为一种附录，我会告诉你如何跟踪我们通过训练时期的准确性，这使我能够生成上面的图表。

在Keras中记录网络性能
Keras有一个实用的程序，名为“回调”，可用于跟踪训练期间的各种变量。你还可以使用它来创建检查点，将模型在训练的不同阶段进行保存，以帮助你避免工作结果丢失。整个结果会被传递到.fit（）函数，如上所述。我会向你显示一个相当简单的用例，其中记录了准确性。

要创建一个回调，我们创建一个继承的类，它继承自keras.callbacks.Callback：

class AccuracyHistory(keras.callbacks.Callback):
    def   on_train_begin(self, logs={}):
        self.acc = []
    def  on_epoch_end(self, batch, logs={}):
        self.acc.append(logs.get('acc'))

上面代码继承的Callback超类有一些可以在我们的回调定义中覆盖的方法，例如 on_train_begin，on_epoch_end，on_batch_begin和on_batch_end。这些方法的名称就是代表了训练过程中我们可以“做事情”的时刻。在上面的代码中，在训练开始时，我们初始化一个列表self.acc = []来存储我们的精度结果。使用on_epoch_end （）方法，我们可以从日志中提取我们想要的变量，这是一个字典，默认情况下保留了训练过程中的丢失和准确性。然后我们实例化这样的回调：

history = AccuracyHistory()

现在我们可以使用回调参数名将历史记录传递给.fit（）函数。请注意，.fit（）需要一个回调参数的列表，所以你必须传递这样的历史：[history]。要访问我们在训练完成后创建的准确性列表，你可以简单地调用history.acc：

plt.plot(range(1,11), history.acc)
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.show()

文章原文《Keras tutorial – build a convolutional neural network in 11 lines》