Keras Introduce   2019-08-19


Keras 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。

Keras 并不处理如张量乘法、卷积等底层操作。这些操作依赖于某种特定的、优化良好的张量操作库。

Keras + Tensorflow

1. Keras install

pip install --upgrade pip
pip3 install keras
pip3 install ipython
pip3 install notebook
pip3 install tensorflow
pip3 install --upgrade tensorflow
pip3 install astkit
pip3 install pandas
pip3 install matplotlib

2. Basic concepts

keras-cn.readthedocs.io 一些基本概念

  1. 符号计算
  2. tensor 张量
  3. data_format
  4. functional model API
  5. batch
  6. epochs

规模最小的张量是0阶张量,即标量,也就是一个数。

Keras 模型有一种叫 Sequential,也就是单输入单输出,一条路通到底,跨层连接统统没有。

Keras 中用的优化器SGD是stochastic gradient descent的缩写,不是一样本更新,还是基于mini-batch的.

廖雪峰的Python教程

import numpy as np

a = np.array([[1,2],[3,4]])

# 1 2
# 3 4

sum0 = np.sum(a, axis=0)
sum1 = np.sum(a, axis=1)

print(sum0)
print(sum1)

# [4 6]
# [3 7]

3. Quickstart in 30s

30s上手Keras

Sequential模型如下

from keras.models import Sequential

model = Sequential()

将一些网络层通过.add()堆叠起来,就构成了一个模型:

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

完成模型的搭建后,我们需要使用.compile()方法来编译模型:

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

# from keras.optimizers import SGD
# model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型编译后,我们在训练数据上按batch进行一定次数的迭代来训练网络

model.fit(x_train, y_train, epochs=5, batch_size=32)

也可以手动将一个个batch的数据送入网络中训练,这时候需要使用:

model.train_on_batch(x_batch, y_batch)

随后,我们可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:

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

使用模型,对新的数据进行预测:

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

4. Functional model

快速开始函数式(Functional)模型

  1. 第一个模型:全连接网络
  2. 多输入和多输出模型
  3. 共享层, 层“节点”的概念

5. Sequential model

Sequential model 是多个网络层的线性堆叠,也就是“一条路走到黑”。

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model.add(Activation('relu'))

5.1 input data shape

model = Sequential()
model.add(Dense(32, input_dim=784))
model = Sequential()
model.add(Dense(32, input_shape=(784,)))

5.2 compile and train (fit)

Sequential model methods_cnSequential model methods_en

compile Arguments

  • optimizer
  • loss
  • metrics
# For a multi-class classification problem
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])

Keras 以 Numpy数组 作为 input_datalabel 的数据类型。训练模型一般使用fit函数.

# For a single-input model with 2 classes (binary classification):

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])

# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)

6. Pre-knowledge

6.1 python language

  • Object-oriented, class, object, encapsulation, polymorphism, inheritance, scope, etc.

  • Python 的科学计算包有一定了解,numpy, scipy, scikit-learn, pandas…

  • generator,以及如何编写 generator。什么是匿名函数(lambda)

6.2 deep learning

Supervised Learning, Unsupervised Learning, Classification, Clustering, Regression

Neuron model, multilayer perceptron,BP algorithm

loss function,activation function,Gradient descent

Fully Connected NN、CNN、RNN、LSTM

Training set, test set, cross validation, under-fitting, over-fitting

Reference


分享到:


  如果您觉得这篇文章对您的学习很有帮助, 请您也分享它, 让它能再次帮助到更多的需要学习的人. 您的支持将鼓励我继续创作 !
本文基于署名4.0国际许可协议发布,转载请保留本文署名和文章链接。 如您有任何授权方面的协商,请邮件联系我。

Contents

  1. 1. Keras install
  2. 2. Basic concepts
  3. 3. Quickstart in 30s
  4. 4. Functional model
  5. 5. Sequential model
    1. 5.1 input data shape
    2. 5.2 compile and train (fit)
  6. 6. Pre-knowledge
    1. 6.1 python language
    2. 6.2 deep learning
  7. Reference