Keras学习

阅读数: 次 2017-02-14

× 文章目录

1. 一、Keras概述
1. 1.1. 1、介绍
2. 1.2. 2、安装Keras
2. 二、搭建神经网络

一、Keras概述

1、介绍

Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包
用他来组件一个神经网络更加快速, 几条语句就搞定
Keras 可以再在 Windows 和 MacOS 或者 Linux 上运行
网站：https://keras.io/

2、安装Keras

需要事先安装好numpy和scipy
直接pip安装：pip install keras
Keras有两个backend,就是是基于什么进行运算的，一个是Tensorflow，一个是Theano
通过修改配置文件永久修改
- 默认配置是Tensorflow，这里改为Theano
- Windows在用户的文件夹下有个配置文件：C:\Users\bob\.keras文件夹下的keras.json文件
- 修改即可
  1
  2
  3
  4
  5
  6
  {
  "image_dim_ordering": "tf",
  "epsilon": 1e-07,
  "floatx": "float32",
  "backend": "theano"
  }

修改当前脚本的环境变量

1
2
3

import os 
os.environ['KERAS_BACKEND']='tensorflow'  # 或者theano
import keras

二、搭建神经网络

1、一个神经网络例子

导入包

import keras
import numpy as np
from keras.models import Sequential   # Sequential顺序建立
from keras.layers import Dense        # 全连接层
import matplotlib.pyplot as plt

制造数据

'''制造数据，并且显示'''
X = np.linspace(-1,1,200)
np.random.shuffle(X)
Y = 0.5 * X + 2 + np.random.normal(0,0.05,(200,))
plt.scatter(X,Y)
plt.show()
X_train,Y_train = X[:160],Y[:160]
X_test,Y_test = X[160:],Y[160:]

建立模型

1
2
3

'''建立模型'''
    model = Sequential()   # 通过Sequential建立model
    model.add(Dense(output_dim=1, input_dim=1))   # model.add添加神经层，指定输入和输出维度

激活模型

1 2	'''激活模型''' model.compile(optimizer='sgd', loss='mse')

训练模型

for i in range(500):
    cost = model.train_on_batch(X_train,Y_train)  # 使用批训练
    if i % 50 == 0:
        print(cost)

测试集的cost误差

1 2	cost = model.evaluate(X_test, Y_test, batch_size=40) print(cost)

学到的权重和偏置

1
2
3

'''输出学到的权重和偏置'''
    W,b = model.layers[0].get_weights()
    print(W,b)

预测
1
Y_pred = model.predict(X_test)

2、手写数字识别例子–mnist

导入包：

import keras
from keras.datasets import mnist
from keras.utils import np_utils
import numpy as np
from keras.models import Sequential   # Sequential顺序建立
from keras.layers import Dense,Activation  # 全连接层
from keras.optimizers import RMSprop

加载并预处理数据

'''加载和预处理数据'''
(X_train,y_train),(X_test,y_test) = mnist.load_data()   # 下载数据集，windows在当前用户的对应目录下：C:\Users\bob\.keras\datasets
X_train = X_train.reshape(X_train.shape[0],-1)/255      # X_train是(60000, 28, 28)，reshape一下变成(60000,784),然后在标准化
X_test  = X_test.reshape(X_test.shape[0],-1)/255
y_train = np_utils.to_categorical(y_train,nb_classes=10) # y_train对应的数字1，2，3....转换为0/1映射
y_test  = np_utils.to_categorical(y_test,nb_classes=10)

建立模型

'''建立模型'''
model = Sequential(layers=[
    Dense(output_dim=32,input_dim=784),   # 第一层，输入为784维，输出为32维
    Activation('relu'),                   # 激励函数为relu
    Dense(10),                            # 第二层，这里不需要指定输入层维度，全连接会使用上一层的输出，这里即32
    Activation('softmax'),                # 激励函数，也是最后的预测函数使用softmax
    ])

激活模型

'''定义optimizer'''
rmsprop = RMSprop()
'''激活模型'''
model.compile(optimizer=rmsprop, 
              loss='categorical_crossentropy',   # 分类中使用交叉熵损失函数
              metrics=['accuracy'])              # 计算准确度

训练模型

1	model.fit(X_train,y_train,nb_epoch=2,batch_size=100) # nb_epoch整个训练集训练次数

测试集上预测信息

'''测试集测试训练出的模型'''
loss,accuracy = model.evaluate(X_test,y_test)
print('loss:',loss)
print('accuracy',accuracy)

3、卷积神经网络CNN–mnist

导入包

import keras
from keras.datasets import mnist
from keras.utils import np_utils
import numpy as np
from keras.models import Sequential   # Sequential顺序建立
from keras.layers import Dense,Activation,Convolution2D,MaxPooling2D,Flatten
from keras.optimizers import RMSprop,Adam

建立模型

model = Sequential()
## 第一层卷积
model.add(Convolution2D(nb_filter=32,    # 32个filter，即从32个特征提取
                        nb_row=5,        # patch大小
                        nb_col=5, 
                        border_mode='same', 
                        dim_ordering='th',  # theano使用th,TensorFlow使用tf
                        input_shape=(1,28,28,)  # 输入的大小，1表示输入的channel通道，由于是黑白图所以是1,若是rgb是3个通道
                        ))
## 第一层激活层
model.add(Activation('relu'))
## 第一层池化层
model.add(MaxPooling2D(
    pool_size=(2,2),    # 2x2的大小
    strides=(2,2),      # 步长为2，纵向和横向
    border_mode='same'
))
### 第二层卷积层
model.add(Convolution2D(nb_filter=64,      # 不需要指定输入的大小了
                        nb_row=5,
                        nb_col=5, 
                       border_mode='same'
                       ))
### 第二层激活层
model.add(Activation('relu'))
### 第二层池化层
model.add(MaxPooling2D(border_mode='same'))
#### 全连接层
model.add(Flatten())   # 展开
model.add(Dense(output_dim=1024))  # 输出维度为1024
model.add(Activation('relu'))
model.add(Dense(output_dim=10))    # 最终输出为10类
model.add(Activation('softmax'))

激活模型

adam = Adam()
model.compile(optimizer=adam,     # 使用adam的optimizer
              loss='categorical_crossentropy',
              metrics=['accuracy'])

训练模型
1
model.fit(X_train, y_train)

测试集计算结果

'''测试集模型'''
loss,accuracy = model.evaluate(X_test,y_test)
print("loss",loss)
print('accuracy',accuracy)

本文作者： Lawlite
本文链接： http://lawlite.me/2017/02/14/Keras学习/
版权声明： 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 3.0 许可协议。转载请注明出处！