人工智能开发实战TensorFlow高级应用解析

内容导读

TFLearn应用

Keras应用

一、TFLearn应用

1、TFLearn介绍

TFLearn是一个基于TensorFlow构建的模块化的、透明的深度学习库，它可以更快、更方便地搭建一个深度的网络。

TFLearn特点如下：

（1）可以通过高度模块化的内置神经网络层、优化器等进行快速模型设计，并可以实现正则化操作。

（2）可以训练任何TensorFlow的Graph，支持多个输入、输出和优化器。

（3）图形可视化，图形中包含权重、激活等详细信息。

（4）可以在CPU、GPU等多个设备上部署。

2、TFLearn安装

在交互界面（联网状态）完成TFLearn的安装。

pip  install   tflearn 

安装效果如下：

进入Python环境，先输入python，再输入“import tflearn”查看是否安装成功。

3、TFLearn案例解析

在TFLearn目录下新建CNN_MNIST.py，在PyCharm中编写代码。

使用TFLearn搭建一个两层的卷积神经网络，数据集是MNIST手写数字的数据集，TFLearn将卷积、池化、正则化等操作都封装成了类，所以需要先导入这些类。

from __future__ import division, print_function, absolute_import
import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization import local_response_normalization
from tflearn.layers.estimator import regression

导入类之后，需要构建一个拥有两个卷积层的神经网络。

使用TFLearn的卷积、池化、正则化、全连接、Dropout等操作完成网络构建，TFLearn在卷积的时候，参数包含激活函数，所以不必单独构建激活函数

# MNIST数据集加载
import tflearn.datasets.mnist as mnist
X, Y, testX, testY = mnist.load_data(one_hot=True)
X = X.reshape([-1, 28, 28, 1])
testX = testX.reshape([-1, 28, 28, 1])
# 搭建卷积神经网络，两层卷积
network = input_data(shape=[None, 28, 28, 1], name='input')
network = conv_2d(network, 32, 3, activation='relu', regularizer="L2")
network = max_pool_2d(network, 2)
network = local_response_normalization(network)
network = conv_2d(network, 64, 3, activation='relu', regularizer="L2")
network = max_pool_2d(network, 2)
network = local_response_normalization(network)
network = fully_connected(network, 128, activation='tanh')
network = dropout(network, 0.8)
network = fully_connected(network, 256, activation='tanh')
network = dropout(network, 0.8)
network = fully_connected(network, 10, activation='softmax')
network = regression(network, optimizer='adam', learning_rate=0.01,loss='categorical_crossentropy', name='target')

完成网络构建后，开始训练模型，在训练过程中可以看到损失以及准确率。

# 训练
model = tflearn.DNN(network, tensorboard_verbose=0)
model.fit({'input': X}, {'target': Y}, n_epoch=20, validation_set=({'input': testX}, {'target': testY}),
                 snapshot_step=100, show_metric=True, run_id='convnet_mnist')

4、TFLearn的API介绍

TFLearn目前支持大多数的深度学习模型，如Convolutions、LSTM、BiRNN、BatchNorm、PReLU、残差网络、生成对抗网络等。

更多API参考TFLearn官网：http://tflearn.org/ 

二、Keras应用

1、Keras介绍

Keras是一个由Python编写的开源人工神经网络库，可以作为TensorFlow、Microsoft-CNTK和Theano的后端。现在Keras已经被添加到TensorFlow中，成为了TensorFlow的默认框架。相对于TensorFlow，Keras更加适合快速实验和开始一个项目。

Keras官方网站上描述其特点如下。

（1）对用户友好：Keras提供一致而简洁的API，能够极大减少一般应用下用户的工作量。

（2）模块化：网络中的每一个部分，如网络层、损失函数、优化器、初始化策略、激活函数、正则化方法等，都是独立的模块，可以使用它们来构建模型。

（3）易扩展：非常容易添加新模块，只需要仿照现有的模块编写新的类或函数即可。

（4）更易于与Python协作：Keras没有单独的模型配置文件类型，模型由Python代码描述，使Keras创建的模型更紧凑和更容易调试，并且提供了扩展的便利性。

注意：Keras兼容的是Python 2.7及以上版本。

2、Keras安装

在交互界面（联网状态）完成Keras的安装。

pip  install  keras

先输入python进入Python环境，再输入“import keras”查看是否安装成功。

3、Keras案例解析

Keras部分案例列表：

在MetaFramework下新建Keras目录，在Keras目录下新建CNN_MNIST.py，在PyCharm中编写代码。

搭建一个神经网络需要经过加载数据、模型构建、模型编译、模型训练、模型评估等几个步骤。

利用Keras实现一个双层的卷积神经网络，需要先导入类、设置超参数并加载数据。

参考代码：

###1.导入相关库###
from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
batch_size = 128
num_classes = 10
epochs = 12
# 输入照片维度
img_rows, img_cols = 28, 28
# 加载MNIST数据集进行训练和数据测试
(x_train, y_train), (x_test, y_test) = mnist.load_data()

###2. 接下来判断使用Theano还是使用TensorFlow，它们的参数输入顺序不同###
if K.image_data_format() == 'channels_first':
      x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
      x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
      input_shape = (1, img_rows, img_cols)
else:
      x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
      x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
      input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# 将类向量转换为二进制类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

###3. 然后需要构建模型，这里构建一个两层卷积的神经网络，案例中有两个卷积层、
### 一个池化层、两个全连接层。

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                     activation='relu',
                     input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

###4.随后编译模型，采用交叉熵作为损失函数，优化器为keras.optimizers.Adadelta()###

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

###5.接下来进行模型训练###
# 输入训练数据集和测试数据集的数据，还需要输入批次（batch_size）和训练# 轮数（epochs），
# 这两个参数在之前已经由全局变量设定完成。
model.fit(x_train, y_train,
               batch_size=batch_size,
               epochs=epochs,
               verbose=1,
               validation_data=(x_test, y_test))

###6.最后进行模型评估，评估模型的损失以及准确率，并打印出来###
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

4、Keras的API介绍

API参考Keras官网：Keras: Deep Learning for humans

更多精彩内容请关注本站！