Skip to content

Latest commit

 

History

History
400 lines (252 loc) · 7.7 KB

Keras快速入门.md

File metadata and controls

400 lines (252 loc) · 7.7 KB
Raw

Keras 快速入门

  • 安装: pip install keras

Keras 发展生态支持

  • 1.Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。
  • 2.微软维护着 Keras 的 CNTK 后端。
  • 3.亚马逊 AWS 正在开发 MXNet 支持。
  • 4.其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。

Keras dataset 生产数据

# With Numpy arrays
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

model.evaluate(data, labels, batch_size=32)

# With a Dataset
dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32)

model.evaluate(dataset)

Keras Sequential 顺序模型

顺序模型是多个网络层的线性堆叠，目前支持2中方式

构造模型

1.构造器: 构建 Sequential 模型

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

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

2.add(): 构建 Sequential 模型

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

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10)
model.add(Activation('softmax'))

Dense: https://keras.io/zh/layers/core

Dense 指的是配置全连接层

keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

# 参数
* units: 正整数，输出空间维度。
* activation: 激活函数 (详见 activations)。 若不指定，则不使用激活函数 (即，「线性」激活: a(x) = x)。
* use_bias: 布尔值，该层是否使用偏置向量。
* kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
* bias_initializer: 偏置向量的初始化器 (see initializers).
* kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
* bias_regularizer: 运用到偏置向的的正则化函数 (详见 regularizer)。
* activity_regularizer: 运用到层的输出的正则化函数 (它的 "activation")。 (详见 regularizer)。
* kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
* bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

例如:

# 作为 Sequential 模型的第一层
model = Sequential()
# 现在模型就会以尺寸为 (*, 16) 的数组作为输入，
# 其输出数组的尺寸为 (*, 32)
model.add(Dense(32, input_shape=(16,)))

# 在第一层之后，你就不再需要指定输入的尺寸了：
model.add(Dense(32))

Activation 激活函数: https://keras-cn.readthedocs.io/en/latest/other/activations

激活函数: 将线性问题变成非线性（回归问题变为分类问题），简单计算难度和复杂性。

sigmoid

hard_sigmoid

tanh

relu

softmax: 对输入数据的最后一维进行softmax，输入数据应形如(nb_samples, nb_timesteps, nb_dims)或(nb_samples,nb_dims)

elu

selu: 可伸缩的指数线性单元（Scaled Exponential Linear Unit），参考Self-Normalizing Neural Networks

softplus

softsign

linear

Keras compile 过程

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

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test,  y_test, verbose=2)

优化器 optimizer: https://keras.io/optimizers

SGD

keras.optimizers.SGD(learning_rate=0.01, momentum=0.0, nesterov=False)

例如:

from keras import optimizers
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)

RMSprop

keras.optimizers.RMSprop(learning_rate=0.001, rho=0.9)

Adagrad

keras.optimizers.Adagrad(learning_rate=0.01)

Adadelta

keras.optimizers.Adadelta(learning_rate=1.0, rho=0.95)

Adam

keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)

Adamax

keras.optimizers.Adamax(learning_rate=0.002, beta_1=0.9, beta_2=0.999)

Nadam

keras.optimizers.Nadam(learning_rate=0.002, beta_1=0.9, beta_2=0.999)

损失函数 loss: https://keras.io/losses

回归

mean_squared_error

keras.losses.mean_squared_error(y_true, y_pred)

二分类

binary_crossentropy

keras.losses.binary_crossentropy(y_true, y_pred, from_logits=False, label_smoothing=0)

多分类

categorical_crossentropy

keras.losses.categorical_crossentropy(y_true, y_pred, from_logits=False, label_smoothing=0)

评价函数 metrics: https://keras.io/zh/metrics

评价函数: 用来衡量真实值和预测值的差异

binary_accuracy

对二分类问题,计算在所有预测值上的平均正确率

binary_accuracy(y_true, y_pred)

categorical_accuracy

对多分类问题,计算再所有预测值上的平均正确率

categorical_accuracy(y_true, y_pred)

sparse_categorical_accuracy

与categorical_accuracy相同,在对稀疏的目标值预测时有用

sparse_categorical_accuracy(y_true, y_pred)

top_k_categorical_accuracy

计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确

top_k_categorical_accuracy(y_true, y_pred, k=5)

sparse_top_k_categorical_accuracy

与top_k_categorical_accracy作用相同，但适用于稀疏情况

sparse_top_k_categorical_accuracy(y_true, y_pred, k=5)

Keras load/save 模型持久化

保存模型

import tensorflow as tf

# Save entire model to a HDF5 file
model.save('my_model.h5')

# Recreate the exact same model, including weights and optimizer.
model = tf.keras.models.load_model('my_model.h5')

仅保存权重值

import tensorflow as tf

# Save weights to a TensorFlow Checkpoint file
model.save_weights('./weights/my_model')
# Restore the model's state,
# this requires a model with the same architecture.
model.load_weights('./weights/my_model')


# Save weights to a HDF5 file
model.save_weights('my_model.h5', save_format='h5')
# Restore the model's state
model.load_weights('my_model.h5')

仅保存模型配置

import tensorflow as tf

# Serialize a model to json format
json_string = model.to_json()
fresh_model = tf.keras.models.model_from_json(json_string)

# Serialize a model to yaml format
yaml_string = model.to_yaml()
fresh_model = tf.keras.models.model_from_yaml(yaml_string)

补充损失函数

mean_absolute_error

keras.losses.mean_absolute_error(y_true, y_pred)

mean_absolute_percentage_error

keras.losses.mean_absolute_percentage_error(y_true, y_pred)

mean_squared_logarithmic_error

keras.losses.mean_squared_logarithmic_error(y_true, y_pred)

squared_hinge

keras.losses.squared_hinge(y_true, y_pred)

hinge

keras.losses.hinge(y_true, y_pred)

categorical_hinge

keras.losses.categorical_hinge(y_true, y_pred)

logcosh

keras.losses.logcosh(y_true, y_pred)

huber_loss

keras.losses.huber_loss(y_true, y_pred, delta=1.0)

sparse_categorical_crossentropy

keras.losses.sparse_categorical_crossentropy(y_true, y_pred, from_logits=False, axis=-1)

kullback_leibler_divergence

keras.losses.kullback_leibler_divergence(y_true, y_pred)

poisson

keras.losses.poisson(y_true, y_pred)

cosine_proximity

keras.losses.cosine_proximity(y_true, y_pred, axis=-1)

is_categorical_crossentropy

keras.losses.is_categorical_crossentropy(loss)