机器学习14：用 Keras 构建神经网络

布满荆棘的人生 2023-07-18 02:43 10阅读 0赞

Keras官网: [https://keras.io/][https_keras.io]

Keras is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano.

手写神经网络是很繁杂的，就算用tensorflow等框架，也需要手动计算很多参数；

Keras可以封装TensorFlow的所有接口，可以更方便，更抽象的设计神经网络工程；

Keras 使神经网络的编写过程更简单。为了展示有多简单，将用几行代码构建一个完全连接的简单网络。

要使用 Keras，你需要知道以下几个核心概念。

# 1.序列模型 #

keras.models.Sequential 类是神经网络模型的封装容器。它会提供常见的函数，例如 fit()、evaluate() 和 compile()。

from keras.models import Sequential
    
    #Create the Sequential model
    model = Sequential()

# 2.层 #

Keras 层就像神经网络层。有全连接层、最大池化层和激活层。你可以使用模型的 add() 函数添加层。例如，简单的模型可以如下所示：

from keras.models import Sequential
    from keras.layers.core import Dense, Activation, Flatten
    
    #创建序列模型
    model = Sequential()
    
    #第一层 - 添加有128个节点的全连接层以及32个节点的输入层
    model.add(Dense(128, input_dim=32))
    
    #第二层 - 添加 softmax 激活层
    model.add(Activation('softmax'))
    
    #第三层 - 添加全连接层
    model.add(Dense(10))
    
    #第四层 - 添加 Sigmoid 激活层
    model.add(Activation('sigmoid'))

Keras 将根据第一层自动推断后续所有层的形状。这意味着，你只需为第一层设置输入维度。

上面的第一层 model.add(Dense(input\_dim=32)) 将维度设为 32（表示数据来自 32 维空间）。第二层级获取第一层级的输出，并将输出维度设为 128 个节点。这种将输出传递给下一层级的链继续下去，直到最后一个层级（即模型的输出）。可以看出输出维度是 10。

构建好模型后，我们就可以用以下命令对其进行编译。我们将损失函数指定为我们一直处理的 categorical\_crossentropy。我们还可以指定优化程序，稍后我们将了解这一概念，暂时将使用 adam。最后，我们可以指定评估模型用到的指标。我们将使用准确率。

# 3.编译模型 #

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

# 4.查看模型架构： #

model.summary()

Model: "sequential_10"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    dense_13 (Dense)             (None, 128)               4224      
    _________________________________________________________________
    activation_11 (Activation)   (None, 128)               0         
    _________________________________________________________________
    dense_14 (Dense)             (None, 10)                1290      
    _________________________________________________________________
    activation_12 (Activation)   (None, 10)                0         
    =================================================================
    Total params: 5,514
    Trainable params: 5,514
    Non-trainable params: 0
    _________________________________________________________________

然后使用以下命令对其进行拟合，指定 epoch 次数和我们希望在屏幕上显示的信息详细程度。

然后使用fit命令训练模型并通过 epoch 参数来指定训练轮数（周期），每 epoch 完成对整数据集的一次遍历。 verbose 参数可以指定显示训练过程信息类型，这里定义为 0 表示不显示信息。

# 5.拟合模型 #

model.fit(X, y, nb_epoch=1000, verbose=0)

**注意：在 Keras 1 中，nb\_epoch 会设置 epoch 次数，但是在 Keras 2 中，变成了 epochs。**

# 6.评估模型 #

最后，我们可以使用以下命令来评估模型：

model.evaluate()

# 练习 #

我们从最简单的示例开始。构建一个简单的多层前向反馈神经网络以解决 XOR 问题。

将第一层设为 Dense() 层，并将节点数设为8，且 input\_dim 设为 2。

在第二层之后使用 softmax 激活函数。

将输出层节点设为 2，因为输出只有 2 个类别。

在输出层之后使用 softmax 激活函数。  
对模型运行 10 个 epoch。

import numpy as np
    from keras.utils import np_utils
    import tensorflow as tf
    # Using TensorFlow 1.0.0; use tf.python_io in later versions
    #tf.python.control_flow_ops = tf
    
    # Set random seed
    np.random.seed(42)
    
    # Our data
    X = np.array([[0,0],[0,1],[1,0],[1,1]]).astype('float32')
    y = np.array([[0],[1],[1],[0]]).astype('float32')
    
    # Initial Setup for Keras
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    # One-hot encoding the output
    y = np_utils.to_categorical(y)
    
    # Building the model
    xor = Sequential()
    
    # Add required layers
    xor.add(Dense(64, input_dim=2))
    xor.add(Dense(8))
    xor.add(Activation("relu"))
    xor.add(Dense(2))
    xor.add(Activation("softmax"))
    
    
    
    # Specify loss as "binary_crossentropy", optimizer as "adam",
    # and add the accuracy metric
    xor.compile(loss="binary_crossentropy", optimizer="adam", metrics = ['accuracy'])
    
    # Uncomment this line to print the model architecture
    xor.summary()
    
    # Fitting the model
    history = xor.fit(X, y, nb_epoch=100, verbose=0)
    
    # Scoring the model
    score = xor.evaluate(X, y)
    print("\nAccuracy: ", score[-1])
    
    # Checking the predictions
    print("\nPredictions:")
    print(xor.predict_proba(X))

Model: "sequential_7"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    dense_8 (Dense)              (None, 64)                192       
    _________________________________________________________________
    dense_9 (Dense)              (None, 8)                 520       
    _________________________________________________________________
    activation_7 (Activation)    (None, 8)                 0         
    _________________________________________________________________
    dense_10 (Dense)             (None, 2)                 18        
    _________________________________________________________________
    activation_8 (Activation)    (None, 2)                 0         
    =================================================================
    Total params: 730
    Trainable params: 730
    Non-trainable params: 0
    _________________________________________________________________
    
    
    /home/leon/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:40: UserWarning: The `nb_epoch` argument in `fit` has been renamed `epochs`.
    
    
    4/4 [==============================] - 0s 6ms/step
    
    Accuracy:  1.0
    
    Predictions:
    [[0.79214245 0.20785749]
     [0.15228593 0.84771407]
     [0.19008899 0.809911  ]
     [0.7188974  0.28110263]]

[https_keras.io]: https://keras.io/