11 深度学习框架之Keras

查看大图

Keras 适合用来快速理解深度学习流程。它把模型结构、损失函数、优化器和训练过程组织得比较清楚，适合从概念过渡到代码。

查看大图

用 Keras 练习时，可以从修改层数、隐藏单元数和学习率开始，每次只改一个变量，看结果怎么变。

在上一篇文章中，我们介绍了深度学习框架之一的TensorFlow。在本篇教程中，我们将聚焦于Keras，一个基于Python的深度学习框架，它可以与TensorFlow无缝集成并提供更高级别的API，适合快速构建和训练深度学习模型。接下来，我们将通过案例和代码，探索Keras的基本用法。

Keras简介

Keras是一个高层深度学习API，旨在使构建神经网络变得简单、易于扩展并具可维护性。Keras支持多种后端，如TensorFlow、Theano和CNTK，但自从TensorFlow 2.0发布以来，Keras已成为TensorFlow的一部分，通常通过tf.keras来使用。

查看大图

学习 Keras 框架时，先看模型定义、层组合、编译配置、训练调用和指标输出。

Keras的优点

• 简易性：Keras提供直观的API，可以通过更少的代码实现复杂的神经网络模型。
• 模块化：你可以自由组合网络层、损失函数、优化器等，支持更加灵活的模型设计。
• 社区支持：作为一个广泛使用的库，Keras有强大的用户社区和丰富的文档资源。

Keras基本组件

在使用Keras构建深度学习模型时，你需要了解以下基本组件：

查看大图

《深度学习框架之Keras》适合边看图边读正文。先确认问题和判断标准，再看概念解释与练习步骤，信息会更容易连成一条线。

1. 模型：Keras提供了两种主要的模型类型：Sequential模型和Functional模型。
2. 层：模型由多个层（Layers）组成，每一层执行特定的功能，例如卷积、池化、全连接等。
3. 损失函数：用于评估模型的输出与真实值之间的差距。
4. 优化器：用于更新模型参数以减少损失函数的值。
5. 评估指标：用于监测模型性能的指标。

Keras使用示例

下面我们将通过一个简单的例子来演示如何使用Keras构建一个分类模型。假设我们要使用手写数字数据集MNIST来训练一个神经网络用于数字分类。

1. 数据准备

首先，我们需要加载MNIST数据集，并对数据进行预处理。

import numpy as np
from keras.datasets import mnist
from keras.utils import to_categorical

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 改变数据形状
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)

# 将标签进行独热编码
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

2. 构建模型

我们使用Sequential模型来构建一个简单的全连接神经网络。

from keras.models import Sequential
from keras.layers import Flatten, Dense

# 创建Sequential模型
model = Sequential()
model.add(Flatten(input_shape=(28, 28, 1)))  # 输入层
model.add(Dense(128, activation='relu'))      # 隐藏层
model.add(Dense(10, activation='softmax'))    # 输出层

3. 编译模型

在训练之前，我们需要编译模型，指定损失函数、优化器和评估指标。

model.compile(loss='categorical_crossentropy',   # 使用类别交叉熵作为损失函数
              optimizer='adam',                  # 使用Adam优化器
              metrics=['accuracy'])              # 监测准确率

4. 训练模型

接下来，我们使用fit方法来训练模型。

model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

5. 评估模型

模型训练完成后，可以在测试数据集上评估模型的性能。

loss, accuracy = model.evaluate(x_test, y_test)
print(f'Test loss: {loss:.4f}, Test accuracy: {accuracy:.4f}')

查看大图

如果《深度学习框架之Keras》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《深度学习框架之Keras》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

小结

在本教程中，我们介绍了Keras的基本概念及其组件，并通过MNIST手写数字识别的示例详细展示了如何构建、编译、训练及评估一个简单的神经网络模型。Keras的简易性和灵活性使得深度学习变得更加高效和便捷。

接下来，我们将在下一篇文章中讨论另一个流行的深度学习框架——PyTorch。请保持关注！