Keras 是基于 Theano 或 者TensorFlow 的一个深度学习框架,其设计源于Torch,编程语言用 Python ,是一个功能强大、内容抽象,高度模块化的神经网络库,能够支持 GPU 和 CPU。目前tensorflow已经将keras合并到了自己的主代码中,我们可以直接tf.keras就能调用其中的工具库了。
一、 Keras设计原则
a)用户友好:Keras提供一致而简洁的API, 大大降低了一般应用下用户的工作量,并且,Keras可以提供清晰和具有实践意义的bug反馈。
b)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。
c)易扩展性:只要仿照现有模块编写出新的类或者函数,就能够非常简单的添加新模块。这种快捷性、便利性,能够让Keras在先进的研究工作方面有更突出的表现。
d)与Python协作:Keras并没有单独的模型配置文件类型,模型使用python代码,这使得Keras更紧凑和更易debug,扩展更为便捷。
二、keras安装
在进行keras安装之前,需要需要确保TensorFlow,Theano,CNTK已经安装完成。建议使用TensorFlow后端。如果计划在GPU上运行keras,还可以选择依赖项cuDNN。
1、打开dos窗口,在命令行中输入:pip install keras
2、下载完成后,进入python环境,输入import keras,输出Using Tensorflow backend即表示安装成功。
三、快速上手 Keras
模型,是一种组织网络层的方式,它是Keras 的核心数据结构。Keras 中主要的模型有: Sequential 模型,Sequential 是一系列网络层按顺序构成的栈。
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'])
模型编译时必须指明损失函数和优化器。Keras 的核心理念就是简便快捷,操作容易。用户可以根据自己的实际需要定制自己的模型、网络层,甚至修改源代码。比如,我们使用自定义的 SGD 优化器:
from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01. momentum=0.9. nesterov=True))
模型编译完成之后,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)
如果我们采用手动方法,将一个个 batch 的数据送入网络中训练,需要使用:
model.train_on_batch(x_batch, y_batch)
随后,我们可以用这一行代码来评估模型,确定模型的指标是否能够满足我们的要求:
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者,我们可以使用此模型,预测新数据:
classes = model.predict(x_test, batch_size=128)