TensorFlow框架--Keras使用

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/tian_qing_lei/article/details/79257897

Keras 是一个高级的Python 神经网络框架,其文档详。Keras 已经被添加到
TensorFlow 中,成为其默认的框架,为TensorFlow 提供更高级的API。
如果读者不想了解TensorFlow 的细节,只需要模块化,那么Keras 是一个不错的选择。如
果将TensorFlow 比喻为编程界的Java 或C++,那么Keras 就是编程界的Python。它作为
TensorFlow 的高层封装,可以与TensorFlow 联合使用,用它很速搭建原型。
另外,Keras 兼容两种后端,即Theano 和TensorFlow,并且其接口形式和Torch 有几分相
像。掌握Keras 可以大幅提升对开发效率和网络结构的理解。
1、 Keras 的优点
Keras 是高度封装的,非常适合新手使用,代码更新速度比较很,示例代码也比较多,文
档和我论区也比较完善。最重要的是,Keras 是TensorFlow 官方支持的。当机器上有可用的GPU
时,代码会自动调用GPU 进行并行计算。
Keras 官方网站上描述了它的几个优点,具体如下。
● 模块化:模型的各个部分,如神经层、成本函数、优化器、初始化、激活函数、规范
化都是独立的模块,可以组合在一起来创建模型。
● 极简主义:每个模块都保持简短和简单。
● 易扩展性:很容易添加新模块,因此Keras 适于做进一步的高级研究。
● 使用Python 语言:模型用Python 实现,非常易于调试和扩展。
2、 Keras 的模型
Keras 的核心数据结构是模型。模型是用来组织网络层的方式。模型有两种,一种叫
Sequential 模型,另一种叫Model 模型。Sequential 模型是一系列网络层按顺序构成的栈,是单
输入和单输出的,层与层之间只有相邻关系,是最简单的一种模型。Model 模型是用来建立更
复杂的模型的。
这里先介绍简单的Sequential 模型的使用(后面将会以一个示例来介绍Model 模型)。首先
是加载数据,这里我们假设数据已经加载完毕,是X_train, Y_train 和X_test, Y_test。然后构建模型:
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(output_dim=64, input_dim=100))
model.add(Activation(“relu”))
model.add(Dense(output_dim=10))
model.add(Activation(“softmax”))
然后,编译模型,同时指明损失函数和优化器:
model.compile(loss=’categorical_crossentropy’, optimizer=’sgd’, metrics=[‘accuracy’])
最后,训练模型和评估模型:
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)
这就是一个最简单的模型的使用。如果要搭建复杂的网络,可以使用Keras 的Model 模型,
它能定义多输出模型、含有共享层的模型、共享视觉模型、图片问答模型、视觉问答模型等。
在Keras 的源代码的examples 文件夹里还有更多的例子,有兴趣的读者可以参参。
3 Keras 的使用
我们下载Keras 代码①到本地目录,将下载后的目录命名为keras。Keras 源代码中包含很多
示例,例如:
● CIFAR10—图片分类(使用CNN 和实时数据);
● IMDB—电影评论观点分类(使用LSTM);
● Reuters—新闻主题分类(使用多层感知器);
● MNIST—手写数字识别(使用多层感知器和CNN);
● OCR—识别字符级文本生成(使用LSTM)。
这里我们主要用MNIST 示例进行讲解。
1.安装
Keras 的安装非常简单,不依赖操作系统,建议大家直接通过pip 命令安装:
pip install keras
安装完成后,需要选择依赖的后端,在~/.keras/keras.json 下修改最后一行backend 对应的
值即可。修改后的文件如下:
{
“image_dim_ordering”: “tf”,
“epsilon”: 1e-07,
“floatx”: “float32”,
“backend”: “tensorflow”
}
2 、实现一个网络模型
主要分为加载数据、模型构建、模型编译、模型训练、模型评估或者模型预测几步。下面我们
就用最简单的MNIST 示例来看如何用Keras 实现一个卷积神经网络(CNN)。
首先,定义好一参数以及加载数据,如下:
batch_size = 128
nb_classes = 10 # 分类数
nb_epoch = 12 # 训练轮数
# 输入图片的维度
img_rows, img_cols = 28, 28
# 卷积滤镜的个数
nb_filters = 32
# 最大池化,池化核大小
pool_size = (2, 2)
# 卷积核大小
kernel_size = (3, 3)
(X_train, y_train), (X_test, y_test) = mnist.load_data()
if K.image_dim_ordering() == ‘th’:
# 使用Theano 的顺序:(conv_dim1, channels, conv_dim2, conv_dim3)
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:
# 使用TensorFlow 的顺序:(conv_dim1, conv_dim2, conv_dim3, channels)
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
# 将类向量转换为二进制类矩阵
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
下面来构建模型,这里用2 个卷积层、1 个池化层和2 个全连接层来构建,如下:
model = Sequential()
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],
border_mode=’valid’,
input_shape=input_shape))
model.add(Activation(‘relu’))
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model.add(Activation(‘relu’))
model.add(MaxPooling2D(pool_size=pool_size))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation(‘relu’))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation(‘softmax’))
随后,用model.compile()函数编译模型,采用多分类的损失函数,用Adadelta 算法做优化
方法,如下:
model.compile(loss=’categorical_crossentropy’,
optimizer=’adadelta’,
metrics=[‘accuracy’])
然后,开始用model.fit()函数训练模型,输入训练集和测试数据,以及batch_size 和nb_epoch
参数,如下:
model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
verbose=1, validation_data=(X_test, Y_test))
最后,用model.evaluate()函数来评估模型,输出测试集的损失值和准确率,如下:
score = model.evaluate(X_test, Y_test, verbose=0)
print(‘Test score:’, score[0])
print(‘Test accuracy:’, score[1])
计算出的损失值和准确率如下:
Test score: 0.0327563833317
Test accuracy: 0.9893
这是一个非常简单的例子。尽管模型架构是不变的,但是读者要将其应用到自己的开发领
域,一般是先读懂对应的神经网络论文,然后用这个架构去搭建和训练模型。
3.模型的加载及保存
Keras 的save_model 和load_model 方法可以将Keras 模型和权重保存在一个HDF5 文件中,
这里面包括模型的结构、权重、训练的配置(损失函数、优化器)等。如果训练因为某种原因
keras.models import save_model, load_model
def test_sequential_model_saving():
model = Sequential()
model.add(Dense(2, input_dim=3))
model.add(RepeatVector(3))
model.add(TimeDistributed(Dense(3)))
model.compile(loss=objectives.MSE,
optimizer=optimizers.RMSprop(lr=0.0001),
metrics=[metrics.categorical_accuracy],
sample_weight_mode=’temporal’)
x = np.random.random((1, 3))
y = np.random.random((1, 3, 3))
model.train_on_batch(x, y)
out = model.predict(x)
_, fname = tempfile.mkstemp(‘.h5’) # 创建一个HDFS 5 文件
save_model(model, fname)
new_model = load_model(fname)
os.remove(fname)
out2 = new_model.predict(x)
assert_allclose(out, out2, atol=1e-05)
# 检测新保存的模型和之前定义的模型是否一致
x = np.random.random((1, 3))
y = np.random.random((1, 3, 3))
model.train_on_batch(x, y)
new_model.train_on_batch(x, y)
out = model.predict(x)
out2 = new_model.predict(x)
assert_allclose(out, out2, atol=1e-05)
如果只是希望保存模型的结构,而不包含其权重及训练的配置(损失函数、优化器),可
以使用下面的代码将模型序列化成json 或者yaml 文件:
json_string = model.to_json()
json_string = model.to_yaml()
保存完成后,还可以手动编辑,并且使用如下语句进行加载:
from keras.models import model_from_json
model = model_from_json(json_string)
model = model_from_yaml(yaml_string)
如果仅需要保存模型的权重,而不包含模型的结构,可以使用save_weights 和load_weights
语句来保存和加载:
model.save_weights(‘my_model_weights.h5’)
model.load_weights(‘my_model_weights.h5’)

没有更多推荐了,返回首页

私密
私密原因:
请选择设置私密原因
  • 广告
  • 抄袭
  • 版权
  • 政治
  • 色情
  • 无意义
  • 其他
其他原因:
120
出错啦
系统繁忙,请稍后再试