Keras简介

最新推荐文章于 2023-01-09 16:49:41 发布

Schuyler_yuan

最新推荐文章于 2023-01-09 16:49:41 发布

阅读量5.9k

点赞数 5

分类专栏： # 视觉算法实践

本文链接：https://blog.csdn.net/sinat_34715587/article/details/88818618

版权

视觉算法实践专栏收录该内容

44 篇文章 1 订阅

订阅专栏

Keras介绍

Keras是一个开放源码的高级深度学习程序库，使用Python编写，能够运行在TensorFlow或Theano之上。其主要作者和维护者是Google公司的工程师，以MIT开放源码方式授权。Keras使用最少的程序代码、花费最少的时间就可以建立深度学习模型，进行训练、评估准确率，并进行预测。相对来说，使用TensorFlow这样低级的链接库虽然可以完全控制各种深度学习模型的细节，但是需要编写更多的程序代码，花费更多时间进行开发。

TensorFlow功能强大，执行效率高，支持各种平台，然而属于低级的深度学习链接库，学习门槛高。Keras是高级的深度学习链接库，对初学者学习门槛低，可以很容易地建立深度学习模型，并且进行训练、预测。因为大部分读者没有接触过深度学习模型，如果一开始就学习TensorFlow，就要面对TensorFlow特殊的程序设计模式，并且还必须自行设计张量（矩阵）的运算，会有很大的挫折感。而先学习Keras可以让读者很容易地建立深度学习模型，并且训练模型，使用模型进行预测。等读者对深度学习模型有了一定认识后，再来学习TensorFlow就不会感觉那么困难了。

Keras是一个高层神经网络API，Keras由纯Python编写而成并基于Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换

目前Keras适用的Python版本是：Python 2.7-3.6。

Keras的工作方式

Keras是一个模型级的深度学习链接库，Keras只处理模型的建立、训练、预测等功能。深度学习底层的运行，例如张量运算，Keras必须配合后端引擎进行运算。目前Keras提供了两种后端引擎：Theano与TensorFlow。Keras程序员只需要专注于建立模型，至于底层操作细节，例如张量运算，Keras会帮你转化为Theano或TensorFlow相对指令。如果Keras用TensorFlow作为后端引擎，因为是以TensorFlow作为底层，所以TensorFlow具备的好处（例如跨平台与执行性能），这里都具备。

Keras的设计原则

用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：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，同时，Keras提供清晰和具有实践意义的bug反馈。
模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。

Keras深度学习链接库特色

简单快速地建立原型prototyping：Keras具备友好的用户界面、模块化设计、可扩充性。
已经内建各种类神经网络层级，例如卷积层CNN、RNN，可以帮助我们快速建立神经网络模型。
通过后端引擎Theano与TensorFlow，可以在CPU与GPU上运行。
以Keras开发的程序代码更简洁、可读性更高、更容易维护、更具生产力。
Keras的说明文件非常齐全，官方网站上提供的范例也非常浅显易懂。

Keras程序设计模式

Keras的程序设计模式建立一个深度学习模型很简单，就好像做一个多层蛋糕。首先建立一个蛋糕架。然后不需要自己做每一层蛋糕，可以选择现成的蛋糕层，例如水果蛋糕层、巧克力蛋糕层等。我们可以指定每一层的内容，例如指定装饰水果种类与数量。只需要将每一层蛋糕加入蛋糕架上即可。最后就可以做出一个好吃又美观的多层蛋糕。建立模型很简单，只需先建立一个蛋糕架，然后将神经网络层一层一层加上去即可。

使用Keras建立多层感知器

Keras大致建立一个简单的多层感知器很简单，具体步骤如下。

建立Sequential模型

Sequential模型是多个神经网络层的线性堆叠。可以想象Sequential模型是一个蛋糕架，接下来可以加入一层一层的蛋糕。

加入“输入层”与“隐藏层”到模型中

Keras已经内建各种神经网络层（例如Dense层、Conv2d层等），只要在之前建立的模型上加入我们选择的神经网络层就可以了（就好像在“蛋糕架”加入“蛋糕层”一样简单）。

加入“输出层”到模型

加入输出层到模型中，就好像再加入一层蛋糕。

以上基本就完成了多层感知器模型的建立。

Keras与TensorFlow比较

Keras与TensorFlow比较
	Keras	TensorFlow
学习难易度	简单	比较困难
使用弹性	中等	高
开发生产力	高	中等
执行性能	高	高
适合用户	初学者	高级用户
张量（矩阵）运算	不需要自行设计	需自行设计

TensorFlow学习起来比较困难，大部分人没接触过深度学习模型，如果一开始就学习TensorFlow，就要面对TensorFlow特殊的程序设计模式，并且还必须自行设计张量（矩阵）的运算，会有很大的挫折感。而先学习Keras可以很容易建立深度学习模型，并且训练模型，使用模型进行预测。等到对深度学习模型有了一定认识后，再来学习TensorFlow就不会感觉那么困难了。

参考链接：

keras在imagenet以及VGG19上的应用