利用Keras搭建深度学习模型

Keras

Keras是一个强大且好用的Python函数库，它是建立在Tensorflow之上的一个高阶深度学习API。简单来说，我们使用Keras构建深度学习模型的时候，表面上我们是在用Keras语言来编写，但实际上后台的运行是通过Tensorflow来进行。换句话来说，Keras的内核实际上仍然是Tensorflow，只不过是用一些更为简单的语句来实现（这种方式在某种程度上也丧失了一部分的灵活性，因此并不能够完全替代Tensorflow）。

Keras的整体风格与Scikit-learn有些类似，构建模型基本也是一键fit的模式，只需要自己设置一下每一层网络的参数即可。先为大家送上一个简单的例子：

import numpy as np

from keras.models import Sequential
from keras.layers import Dense
# 随机生成一组数据
data = np.random.random((1000,100))
# 随机生成标签
labels = np.random.randint(2,size=(1000,1))
model = Sequential()
# 添加一层神经网络
model.add(Dense(32,
          activation='relu',
          input_dim=100))
          # 添加激活函数（activate function）
model.add(Dense(1, activation='sigmoid'))
# 构建模型，定义优化器及损失函数
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
              # 模型与数据一键fit
model.fit(data,labels,epochs=10,batch_size=32)
predictions = model.predict(data)

与其他Python函数库一样，Keras也有随库自带的数据，方便我们熟悉Keras，以下是四组经典数据的载入方式：

from keras.datasets import boston_housing, mnist, cifar10, imdb

(x_train,y_train),(x_test,y_test) = mnist.load_data()
(x_train2,y_train2),(x_test2,y_test2) = boston_housing.load_data()
(x_train3,y_train3),(x_test3,y_test3) = cifar10.load_data()
(x_train4,y_train4),(x_test4,y_test4) = imdb.load_data(num_words=20000)
num_classes = 10

1.数据预处理

数据要fit进Keras模型，自然少不了预处理的工作，Keras也为我们提供了一些预处理的方法：

将数据填充至指定长度（maxlen），默认填充值value = 0.0：

from keras.preprocessing import sequence

x_train4 = sequence.pad_sequences(x_train4,maxlen=80)
x_test4 = sequence.pad_sequences(x_test4,maxlen=80) 

创建虚拟变量：

from keras.utils import to_categorical

Y_train = to_categorical(y_train, num_classes)
Y_test = to_categorical(y_test, num_classes)
Y_train3 = to_categorical(y_train3, num_classes)
Y_test3 = to_categorical(y_test3, num_classes)

训练集、测试集分离：

from sklearn.model_selection import train_test_split

X_train5,X_test5,y_train5,y_test5 = train_test_split(X, y,
                                             test_size=0.33,
                                             random_state=42)

标准化（归一化同理）：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(x_train2)
standardized_X = scaler.transform(x_train2)
standardized_X_test = scaler.transform(x_test2)

2.模型构造

序列模型：

from keras.models import Sequential

model = Sequential()
model2 = Sequential()
model3 = Sequential()

2-class分类模型：

from keras.layers import Dense

model.add(Dense(12, input_dim=8,
          kernel_initializer='uniform',
          activation='relu'))

model.add(Dense(8,kernel_initializer='uniform',activation='relu'))
model.add(Dense(1,kernel_initializer='uniform',activation='sigmoid'))

Multi-class分类模型：

from keras.layers import Dropout

model.add(Dense(512,activation='relu',input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512,activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10,activation='softmax'))

回归模型：

model.add(Dense(64,activation='relu',input_dim=train_data.shape[1]))

model.add(Dense(1))

构建卷积神经网络（CNN）:

from keras.layers import Activation,Conv2D,MaxPooling2D,Flatten

model2.add(Conv2D(32,(3,3),padding='same',input_shape=x_train.shape[1:]))
model2.add(Activation('relu'))
model2.add(Conv2D(32,(3,3)))
model2.add(Activation('relu'))
model2.add(MaxPooling2D(pool_size=(2,2)))
model2.add(Dropout(0.25))
model2.add(Conv2D(64,(3,3), padding='same'))
model2.add(Activation('relu'))
model2.add(Conv2D(64,(3, 3)))
model2.add(Activation('relu'))
model2.add(MaxPooling2D(pool_size=(2,2)))
model2.add(Dropout(0.25))
model2.add(Flatten())
model2.add(Dense(512))
model2.add(Activation('relu'))
model2.add(Dropout(0.5))
model2.add(Dense(num_classes))
model2.add(Activation('softmax'))

构建循环神经网络（RNN）：

from keras.klayers import Embedding,LSTM

model3.add(Embedding(20000,128))
model3.add(LSTM(128,dropout=0.2,recurrent_dropout=0.2))
model3.add(Dense(1,activation='sigmoid'))

模型细节提取：

# 模型输出形状
model.output_shape
# 模型总结
model.summary()
# get模型参数
model.get_config() 
# get神经网络
weightsmodel.get_weights()

编译模型：

# 2-class分类问题
model.compile(optimizer='adam',              
              loss='binary_crossentropy',              
              metrics=['accuracy'])
# multi-class分类问题
model.compile(optimizer='rmsprop',              
                        loss='categorical_crossentropy',              
                        metrics=['accuracy']) 
# 回归问题
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae']) 
# RNN
model3.compile(loss='binary_crossentropy',               
               optimizer='adam',               
               metrics=['accuracy'])

训练模型：

model3.fit(x_train4,           
           y_train4,           
           batch_size=32,         
           epochs=15,           
           verbose=1,          

validation_data=(x_test4,y_test4))

评价模型：

score = model3.evaluate(x_test,                        
                        y_test,                        
                        batch_size=32)

预测结果：

model3.predict(x_test4, batch_size=32)
model3.predict_classes(x_test4,batch_size=32)

保存/载入模型：

from keras.models import load_model

model3.save('model_file.h5')
my_model = load_model('my_model.h5')

模型参数调节：

from keras.optimizers import RMSprop

opt = RMSprop(lr=0.0001, decay=1e-6)
model2.compile(loss='categorical_crossentropy', 
               optimizer=opt,
               metrics=['accuracy'])

模型提前终止：

from keras.callbacks import EarlyStopping

early_stopping_monitor = EarlyStopping(patience=2)
model3.fit(x_train4,
           y_train4,
           batch_size=32,
           epochs=15,
           validation_data=(x_test4,y_test4),
           callbacks=[early_stopping_monitor])

结语

以上内容基本涵盖了建立Keras模型的基本步骤。Keras有着与Scikit-learn非常相似的语句模式，但是Keras的使用确实要更为复杂一点，其中主要的原因就在于神经网络本身结构的复杂性。尽管如此，Keras相比于Tensorflow和Pytorch等框架，仍是入门深度学习的最佳选择。

往期文章推荐：

• 机器学习中的混淆矩阵是什么

• 机器学习之Matplotlib篇

• 机器学习之Scikit-learn篇（二）

• 机器学习之Scikit-learn篇（一）

• 机器学习之NumPy篇（二）

• 机器学习之NumPy篇（一）

• 机器学习之Pandas篇（二）

• 机器学习之Pandas篇（一）

• 机器学习之参数调节篇

• 机器学习之特征工程篇

• 机器学习之必备工具篇

• 机器学习之必备知识篇

• 如何用Scikit-learn可视化随机森林中的一棵树

想成为一名合格的数据科学家/AI工程师吗？关注“机器学习学社”获取每天一份的新鲜咨询，为你开拓属于你自己的AI之路

扫码关注机器学习学社，更多资讯早知道，更多学习干货等你来拿