Keras Hello World

最近开始学习Keras，个人觉得最有效的学习方法就是写很多很多代码，熟能成巧。我们先从最简单的例子来学习Keras，Keras版的Hello World。
在这个例子中，我们的任务是进行花朵的分类。

本文的代码来自这里，作者将Keras与sklearn进行了比较，有详细代码的解释。本文只做Keras部分的内容，删去了原本sklearn的内容
本文为个人的代码记录，只为记录在写代码时的困惑，并假设读者有一些深度学习的基本概念。
完整代码在 https://github.com/jiemojiemo/Keras-Demo/tree/master/Keras_Hello_World

Keras的安装

在Keras官网中已经给出了详细的安装指南

Linux 安装指南
Windows 安装指南
但是个人还是推荐使用Anaconda进行安装，在Anaconda安装好的情况下使用以下命令进行安装Keras
- 创建名为keras的环境
conda create -n keras python=3
- 进入环境
activate keras
- 安装keras
conda update conda
conda update --all
conda install mingw libpython
conda install keras
- 安装TensorFlow
pip install tensorflow
- 安装一些必要的库(缺啥装啥)
conda install jupyter notebook numpy matplotlib
Anaconda的下载速度可以通过设置国内镜像来提到，具体请看Windows下有什么办法提高conda install的速度？

让我们开始吧

首先，我们先导入模块，一些常见的模块如numpy, matplotlib就不解释了。

seaborn 一个matplotlib的高级封装，让画图更简单漂亮，但是在这个例子中，我们主要用它来导入数据
Sequential 叫做“序贯模型”，是Keras模型之一。详见关于Keras模型
keras.layers.core 常用层模块，包括全连接层(Dense)，激活层等。详见常用层
keras.utils utils工具模块，提供了一系列有用的工具。详见utils工具

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as npfrom sklearn.model_selection import train_test_splitimport pandas as pdfrom keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.utils import np_utils

导入数据

sns.load_dataset('iris')导入iris数据库，iris包含了150条花的记录,前四个length和width是花的属性，species是花的种共有三种花，分别是setosa，versicolor和virginica。
iris.head()查看数据。
sns.pairplot(iris, hue='species')用于显示数据(这不是我们要关注的内容)

iris = sns.load_dataset('iris')
iris.head()

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

sns.pairplot(iris, hue='species')

<seaborn.axisgrid.PairGrid at 0x1bdee328710>

训练集和测试集

train_test_split将数据集分割为训练集和测试集，train_size为训练集占整个数据集的大小，random_state为随机种子（详见这里）

X = iris.values[:, :4]
y = iris.values[:, 4]

train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.8, random_state=0)

One-Hot-Encoding

深度网络只能接受数字作为输入，iris数据集中species是字符串类型的，因此我们需要将其数字化。
One-hot encoding 就是这样一种数字化的编码方法，相关概念详见数据处理——One-Hot Encoding
下面给出两种不同的one-hot encoding的实现方式，它们并没有差别

def one_hot_encode_object_array(arr):uniques, ids = np.unique(arr, return_inverse=True)return np_utils.to_categorical(ids, len(uniques))

# if you are a pandas man ...
def one_hot_encode_object_array_pandas(arr):return pd.get_dummies(arr).values

train_y_ohe = one_hot_encode_object_array_pandas(train_y)
test_y_ohe = one_hot_encode_object_array_pandas(test_y)

搭起我们的网络结构

我们要搭的网络很简单，只有两层，可以表示为 4-16-3，隐层激活函数是sigmoid，输出层时softmax
Sequential是多个网络层的线性堆叠，也就是“一条路走到黑”
Dense就是全连接层了，注意的是，第一层网络需要指明输入数据的大小，后面层就不需要了，keras会自动推导
Activation是激活层，常见的激活函数有sigmoid, softmax, ReLU等等

model = Sequential()
# hidden layer
model.add(Dense(16, input_shape=(4,)))
model.add(Activation('sigmoid'))
# output layer
model.add(Dense(3))
model.add(Activation('softmax'))

Compile 编译

对学习过程进行配置。详见编译

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

Training 训练

verbose 是否打印训练log
validation_split 验证集的大小，关于验证集，简单的说就是用于调整模型参数（模型结构，学习速率，batch_size等等）。人们通过观察训练时的模型在验证集上的表现，来对自己模型作出调整

model.fit(train_X, train_y_ohe, epochs=100, batch_size=1, verbose=0, validation_split=0.2)

<keras.callbacks.History at 0x195e2abcf98>

Test 测试

loss, accuracy = model.evaluate(test_X, test_y_ohe, verbose=0)
print('Accuracy = {:.2f}'.format(accuracy))

Accuracy = 1.00

总结

对于一个深度学习的任务，大致可以分为以下三个部分

数据的准备。包括数据的获取，数据清洗，数据预处理等等
模型的构建。采用何种模型，网络结构是怎样的等都要考虑
参数的调整。通过反复训练来进行参数的调整，通常这也是最花时间的

Keras-1 学习Keras，从Hello World开始相关推荐

怎么装python的keras库_matlab调用keras深度学习模型（环境搭建）
matlab没有直接调用tensorflow模型的接口,但是有调用keras模型的接口,而keras又是tensorflow的高级封装版本,所以就研究一下这个--可以将model-based方法和le ...
利用深度学习(Keras)进行癫痫分类-Python案例
目录癫痫介绍数据集 Keras深度学习案例本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 QQ交流群:903290195 癫痫介绍癫痫,即俗称"羊癫风",是由多种 ...
DL之Keras： Keras深度学习框架的注意事项(默认下载存放路径等)、使用方法之详细攻略
DL之Keras: Keras深度学习框架的注意事项(自动下载存放路径等).使用方法之详细攻略目录 Keras深度学习框架的注意事项 1.Keras自动下载默认数据集/模型存放位置 Windows系 ...
【Keras】学习笔记（一）
传送门:Keras 中文文档文章目录一.准备工作 1.概述 2.安装 3.GPU设置 (1)单GPU运行 (2)多GPU运行二.顺序模型简单示例 1.整体流程 (1)顺序模型的构建--Sequ ...
深度学习者的入门福利-Keras深度学习笔记
Keras深度学习笔记最近本人在github上发现一个不错的资源,是利用keras来学习深度学习的笔记,笔记内容充实,数据完善,本人亲自实操了里面的所有例子,深感收获颇丰,今天特意推荐给大家,希望能 ...
[Python人工智能] 三十.Keras深度学习构建CNN识别阿拉伯手写文字图像
从本专栏开始,作者正式研究Python深度学习.神经网络及人工智能相关知识.前一篇文章分享了生成对抗网络GAN的基础知识,包括什么是GAN.常用算法(CGAN.DCGAN.infoGAN.WGAN). ...
[深度学习] Keras 如何使用fit和fit_generator
介绍在本教程中,您将了解Keras .fit和.fit_generator函数的工作原理,包括它们之间的差异.为了帮助您获得实践经验,我已经提供了一个完整的示例,向您展示如何从头开始实现Keras数 ...
keras的学习笔记
简介 Keras是一个高层神经网络API,Keras由纯Python编写而成并基于Tensorflow.Theano和CNTK后端.Keras 支持快速实验,能够把你的idea迅速转换为结果,适用场景 ...
【TensorFlow-windows】keras接口学习——线性回归与简单的分类
前言之前有写过几篇TensorFlow相关文章,但是用的比较底层的写法,比如tf.nn和tf.layers,也写了部分基本模型如自编码和对抗网络等,感觉写起来不太舒服,最近看官方文档发现它的教程基本 ...
Keras 深度学习框架中文文档
2019独角兽企业重金招聘Python工程师标准>>> Keras深度学习框架中文文档 Keras官网:http://keras.io/ Github项目:https://githu ...

Keras-1 学习Keras，从Hello World开始

Keras Hello World

Keras的安装

让我们开始吧

导入数据

训练集和测试集

One-Hot-Encoding

搭起我们的网络结构

Compile 编译

Training 训练

Test 测试

总结

Keras-1 学习Keras，从Hello World开始相关推荐

最新文章

热门文章