《智能系統(tǒng)與技術(shù)叢書 生成對(duì)抗網(wǎng)絡(luò)入門指南》—2.3.2Keras使用入門

2.3.2　Keras使用入門

Keras包含兩種模型類型，第一種是序列模型，第二種是函數(shù)式模型。其中后者屬于Keras的進(jìn)階型模型結(jié)構(gòu)，適用于多入多出、有向無環(huán)圖或具備共享層的模型，具體可參看Keras官方文檔。本小節(jié)中主要以序列模型為例來帶領(lǐng)讀者學(xué)習(xí)Keras的使用方法。

所謂序列模型是指多個(gè)網(wǎng)絡(luò)層線性堆疊的模型，結(jié)構(gòu)如下列代碼所示。該序列模型包含了一個(gè)784×32的全連接層、ReLU激活函數(shù)、32×10的全連接層以及softmax激活函數(shù)。

from keras.models import Sequential

from keras.layers import Dense, Activation

model = Sequential([

Dense(32, input_shape=(784,)),

Activation('relu'),

Dense(10),

Activation('softmax'),

])

也可以使用add()方法進(jìn)行序列模型中網(wǎng)絡(luò)層的添加。

model = Sequential()

model.add(Dense(32, input_dim=784))

model.add(Activation('relu'))

下面我們來看一個(gè)Keras實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)二分類示例，其網(wǎng)絡(luò)結(jié)構(gòu)非常簡(jiǎn)單，由兩個(gè)全連接層構(gòu)成。示例中包含了網(wǎng)絡(luò)模型的搭建、模型的編譯以及訓(xùn)練，讀者可以在自己的設(shè)備上嘗試運(yùn)行此代碼以熟悉Keras的使用。

import numpy as np

from keras.models import Sequential

from keras.layers import Dense

data = np.random.random((1000,100))

labels = np.random.randint(2,size=(1000,1))

model = Sequential()

model.add(Dense(32, activation='relu', input_dim=100))

model.add(Dense(1, activation='sigmoid'))

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

model.fit(data,labels,epochs=10,batch_size=32)

predictions = model.predict(data)

下面我們來嘗試搭建一些序列模型。首先使用序列模型來搭建卷積神經(jīng)網(wǎng)絡(luò)（CNN），代碼如下。

from keras.models import Sequential

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

model = Sequential()

model.add(Conv2D(32,(3,3),padding='same',input_shape=x_train.shape[1:]))

model.add(Activation('relu'))

model.add(Conv2D(32,(3,3)))

model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Dropout(0.25))

model.add(Conv2D(64,(3,3), padding='same'))

model.add(Activation('relu'))

model.add(Conv2D(64,(3, 3)))

model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(512))

model.add(Activation('relu'))

model.add(Dropout(0.5))

model.add(Dense(num_classes))

model.add(Activation('softmax'))

同樣，也可以使用Keras的序列模型實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），代碼如下。

from keras.models import Sequential

from keras.klayers import Dense,Embedding,LSTM

model = Sequential()

model.add(Embedding(20000,128))

model.add(LSTM(128,dropout=0.2,recurrent_dropout=0.2))

model.add(Dense(1,activation='sigmoid'))

可以發(fā)現(xiàn)使用Keras來實(shí)現(xiàn)那些復(fù)雜的深度學(xué)習(xí)網(wǎng)絡(luò)其實(shí)是一件非常簡(jiǎn)單的事情，在模型搭建完畢后可以設(shè)置模型的編譯，下面分別是CNN與RNN的編譯。

CNN模型的優(yōu)化與編譯：

from keras.optimizers import RMSprop

opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)

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

RNN模型的編譯：

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

在完成模型的編譯后就可以對(duì)模型進(jìn)行訓(xùn)練了，這里的代碼是對(duì)RNN模型進(jìn)行訓(xùn)練與評(píng)估。

model.fit(x_train, y_train, batch_size=32, epochs=15, verbose=1, validation_

data=(x_test,y_test))

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

最終可以將模型保存到本地。

from keras.models import load_model

model.save('model_file.h5')

my_model = load_model('my_model.h5')

在下一小節(jié)中會(huì)通過一個(gè)簡(jiǎn)明的案例讓大家了解如何使用Keras解決實(shí)際的應(yīng)用問題。

網(wǎng)絡(luò) 深度學(xué)習(xí)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。