Keras介绍
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：?
简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）支持CNN和RNN，或二者的结合无缝CPU和GPU切换
Keras的设计原则?
用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。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。易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。
Keras 是一个高级的Python 神经网络框架，其文档详。Keras 已经被添加到TensorFlow 中，成为其默认的框架，为TensorFlow 提供更高级的API。?
如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是一个不错的选择。如?
果将TensorFlow 比喻为编程界的Java 或C++，那么Keras 就是编程界的Python。它作为?
TensorFlow 的高层封装，可以与TensorFlow 联合使用，用它很速搭建原型。?
另外，Keras 兼容两种后端，即Theano 和TensorFlow，并且其接口形式和Torch 有几分相?
像。掌握Keras 可以大幅提升对开发效率和网络结构的理解。?
1、 Keras 的优点?
Keras 是高度封装的，非常适合新手使用，代码更新速度比较很，示例代码也比较多，文?
档和我论区也比较完善。最重要的是，Keras 是TensorFlow 官方支持的。当机器上有可用的GPU?
时，代码会自动调用GPU 进行并行计算。?
Keras 官方网站上描述了它的几个优点，具体如下。?
● 模块化：模型的各个部分，如神经层、成本函数、优化器、初始化、激活函数、规范?
化都是独立的模块，可以组合在一起来创建模型。?
● 极简主义：每个模块都保持简短和简单。?
● 易扩展性：很容易添加新模块，因此Keras 适于做进一步的高级研究。?
● 使用Python 语言：模型用Python 实现，非常易于调试和扩展。?
2、 Keras 的模型?
Keras 的核心数据结构是模型。模型是用来组织网络层的方式。模型有两种，一种叫?
Sequential 模型，另一种叫Model 模型。Sequential 模型是一系列网络层按顺序构成的栈，是单?
输入和单输出的，层与层之间只有相邻关系，是最简单的一种模型。Model 模型是用来建立更?
复杂的模型的。?
这里先介绍简单的Sequential 模型的使用（后面将会以一个示例来介绍Model 模型）。首先?
是加载数据，这里我们假设数据已经加载完毕，是X_train, Y_train 和X_test, Y_test。然后构建模型：?
from keras.models import Sequential?
from keras.layers import Dense, Activation?
model = Sequential()?
model.add(Dense(output_dim=64, input_dim=100))?
model.add(Activation(“relu”))?
model.add(Dense(output_dim=10))?
model.add(Activation(“softmax”))?
然后，编译模型，同时指明损失函数和优化器：?
model.compile(loss=’categorical_crossentropy’, optimizer=’sgd’, metrics=[‘accuracy’])?
最后，训练模型和评估模型：?
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)?
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)?
这就是一个最简单的模型的使用。如果要搭建复杂的网络，可以使用Keras 的Model 模型，?
它能定义多输出模型、含有共享层的模型、共享视觉模型、图片问答模型、视觉问答模型等。?
在Keras 的源代码的examples 文件夹里还有更多的例子，有兴趣的读者可以参参。?
3 Keras 的使用?
我们下载Keras 代码①到本地目录，将下载后的目录命名为keras。Keras 源代码中包含很多?
示例，例如：?
● CIFAR10—图片分类（使用CNN 和实时数据）；?
● IMDB—电影评论观点分类（使用LSTM）；?
● Reuters—新闻主题分类（使用多层感知器）；?
● MNIST—手写数字识别（使用多层感知器和CNN）；?
● OCR—识别字符级文本生成（使用LSTM）。?
这里我们主要用MNIST 示例进行讲解。?
1．安装?
Keras 的安装非常简单，不依赖操作系统，建议大家直接通过pip 命令安装：?
pip install keras?
安装完成后，需要选择依赖的后端，在~/.keras/keras.json 下修改最后一行backend 对应的?
值即可。修改后的文件如下：?
{?
“image_dim_ordering”: “tf”,?
“epsilon”: 1e-07,?
“floatx”: “float32”,?
“backend”: “tensorflow”?
}?
2 、实现一个网络模型?
主要分为加载数据、模型构建、模型编译、模型训练、模型评估或者模型预测几步。下面我们?
就用最简单的MNIST 示例来看如何用Keras 实现一个卷积神经网络（CNN）。?
首先，定义好一参数以及加载数据，如下：?
batch_size = 128?
nb_classes = 10 # 分类数?
nb_epoch = 12 # 训练轮数?
# 输入图片的维度?
img_rows, img_cols = 28, 28?
# 卷积滤镜的个数?
nb_filters = 32?
# 最大池化，池化核大小?
pool_size = (2, 2)?
# 卷积核大小?
kernel_size = (3, 3)?
(X_train, y_train), (X_test, y_test) = mnist.load_data()?
if K.image_dim_ordering() == ‘th’:?
# 使用Theano 的顺序：(conv_dim1, channels, conv_dim2, conv_dim3)?
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)?
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)?
input_shape = (1, img_rows, img_cols)?
else:?
# 使用TensorFlow 的顺序：(conv_dim1, conv_dim2, conv_dim3, channels)?
X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1)?
X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1)?
input_shape = (img_rows, img_cols, 1)?
X_train = X_train.astype(‘float32’)?
X_test = X_test.astype(‘float32’)?
X_train /= 255?
X_test /= 255?
# 将类向量转换为二进制类矩阵?
Y_train = np_utils.to_categorical(y_train, nb_classes)?
Y_test = np_utils.to_categorical(y_test, nb_classes)?
下面来构建模型，这里用2 个卷积层、1 个池化层和2 个全连接层来构建，如下：?
model = Sequential()?
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],?
border_mode=’valid’,?
input_shape=input_shape))?
model.add(Activation(‘relu’))?
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))?
model.add(Activation(‘relu’))?
model.add(MaxPooling2D(pool_size=pool_size))?
model.add(Dropout(0.25))?
model.add(Flatten())?
model.add(Dense(128))?
model.add(Activation(‘relu’))?
model.add(Dropout(0.5))?
model.add(Dense(nb_classes))?
model.add(Activation(‘softmax’))?
随后，用model.compile()函数编译模型，采用多分类的损失函数，用Adadelta 算法做优化?
方法，如下：?
model.compile(loss=’categorical_crossentropy’,?
optimizer=’adadelta’,?
metrics=[‘accuracy’])?
然后，开始用model.fit()函数训练模型，输入训练集和测试数据，以及batch_size 和nb_epoch?
参数，如下：?
model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,?
verbose=1, validation_data=(X_test, Y_test))?
最后，用model.evaluate()函数来评估模型，输出测试集的损失值和准确率，如下：?
score = model.evaluate(X_test, Y_test, verbose=0)?
print(‘Test score:’, score[0])?
print(‘Test accuracy:’, score[1])?
计算出的损失值和准确率如下：?
Test score: 0.0327563833317?
Test accuracy: 0.9893?
这是一个非常简单的例子。尽管模型架构是不变的，但是读者要将其应用到自己的开发领?
域，一般是先读懂对应的神经网络论文，然后用这个架构去搭建和训练模型。?
3．模型的加载及保存?
Keras 的save_model 和load_model 方法可以将Keras 模型和权重保存在一个HDF5 文件中，?
这里面包括模型的结构、权重、训练的配置（损失函数、优化器）等。如果训练因为某种原因?
keras.models import save_model, load_model?
def test_sequential_model_saving():?
model = Sequential()?
model.add(Dense(2, input_dim=3))?
model.add(RepeatVector(3))?
model.add(TimeDistributed(Dense(3)))?
model.compile(loss=objectives.MSE,?
optimizer=optimizers.RMSprop(lr=0.0001),?
metrics=[metrics.categorical_accuracy],?
sample_weight_mode=’temporal’)?
x = np.random.random((1, 3))?
y = np.random.random((1, 3, 3))?
model.train_on_batch(x, y)?
out = model.predict(x)?
_, fname = tempfile.mkstemp(‘.h5’) # 创建一个HDFS 5 文件?
save_model(model, fname)?
new_model = load_model(fname)?
os.remove(fname)?
out2 = new_model.predict(x)?
assert_allclose(out, out2, atol=1e-05)?
# 检测新保存的模型和之前定义的模型是否一致?
x = np.random.random((1, 3))?
y = np.random.random((1, 3, 3))?
model.train_on_batch(x, y)?
new_model.train_on_batch(x, y)?
out = model.predict(x)?
out2 = new_model.predict(x)?
assert_allclose(out, out2, atol=1e-05)?
如果只是希望保存模型的结构，而不包含其权重及训练的配置（损失函数、优化器），可?
以使用下面的代码将模型序列化成json 或者yaml 文件：?
json_string = model.to_json()?
json_string = model.to_yaml()?
保存完成后，还可以手动编辑，并且使用如下语句进行加载：?
from keras.models import model_from_json?
model = model_from_json(json_string)?
model = model_from_yaml(yaml_string)?
如果仅需要保存模型的权重，而不包含模型的结构，可以使用save_weights 和load_weights?
语句来保存和加载：?
model.save_weights(‘my_model_weights.h5’)?
model.load_weights(‘my_model_weights.h5’)
本文系转载，前往查看
如有侵权，请联系?cloudcommunity@tencent.com 删除。
本文系转载，前往查看
如有侵权，请联系?cloudcommunity@tencent.com 删除。