您当前位置：首页 > php开源 > php教程 > DeepLearning tutorial（6）易用的深度学习框架Keras简介

DeepLearning tutorial（6）易用的深度学习框架Keras简介

来源：程序员人生发布时间：2015-07-30 14:19:37 阅读次数：4464次

之前我1直在使用Theano，前面5篇Deeplearning相干的文章也是学习Theano的1些笔记，当时已觉得Theano用起来略显麻烦，有时想实现1个新的结构，就要花很多时间去编程，所以想过将代码模块化，方便重复使用，但由于实在太忙没有时间去做。最近发现了1个叫做Keras的框架，跟我的想法不谋而合，用起来特别简单，合适快速开发。（其实还有很多其他的深度学习框架都是比较容易用的。）

1. Keras简介

Keras是基于Theano的1个深度学习框架，它的设计参考了Torch，用Python语言编写，是1个高度模块化的神经网络库，支持GPU和CPU。使用文档在这：http://keras.io/，这个框架貌似是刚刚火起来的，使用上的问题可以到github提issue:https://github.com/fchollet/keras　

下面简单介绍1下怎样使用Keras，以Mnist数据库为例,编写1个CNN网络结构，你将会发现特别简单。

2. Keras里的模块介绍

Optimizers

顾名思义，Optimizers包括了1些优化的方法，比如最基本的随机梯度降落SGD,另外还有Adagrad、Adadelta、RMSprop、Adam，1些新的方法以后也会被不断添加进来。

keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.9, nesterov=False)

上面的代码是SGD的使用方法，lr表示学习速率,momentum表示动量项，decay是学习速率的衰减系数(每一个epoch衰减1次),Nesterov的值是False或True，表示使不使用Nesterov momentum。其他的请参考文档。
Objectives

这是目标函数模块，keras提供了mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy这几种目标函数。

这里binary_crossentropy 和 categorical_crossentropy也就是logloss
Activations

这是激活函数模块，keras提供了linear、sigmoid、hard_sigmoid、tanh、softplus、relu、softplus，另外softmax也放在Activations模块里(我觉得放在layers模块里更公道些）。另外，像LeakyReLU和PReLU这类比较新的激活函数，keras在keras.layers.advanced_activations模块里提供。
Initializations

这是参数初始化模块，在添加layer的时候调用init进行初始化。keras提供了uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal这几种。
layers

layers模块包括了core、convolutional、recurrent、advanced_activations、normalization、embeddings这几种layer。

其中core里面包括了flatten(CNN的全连接层之前需要把2维特点图flatten成为1维的)、reshape（CNN输入时将1维的向量弄成2维的）、dense(就是隐藏层，dense是稠密的意思),还有其他的就不介绍了。convolutional层基本就是Theano的Convolution2D的封装。
Preprocessing

这是预处理模块，包括序列数据的处理，文本数据的处理，图象数据的处理。重点看1下图象数据的处理，keras提供了ImageDataGenerator函数,实现data augmentation，数据集扩增，对图象做1些弹性变换，比如水平翻转，垂直翻转，旋转等。
Models

这是最主要的模块，模型。上面定义了各种基本组件，model是将它们组合起来，下面通过1个实例来讲明。

3.1个实例：用CNN分类Mnist

数据下载

Mnist数据在其官网上有提供，但是否是图象格式的，由于我们通常都是直接处理图象，为了以后程序能复用，我把它弄成图象格式的，这里可以下载：http://pan.baidu.com/s/1qCdS6，共有42000张图片。
读取图片数据

keras要求输入的数据格式是numpy.array类型（numpy是1个python的数值计算的库），所以需要写1个脚本来读入mnist图象，保存为1个4维的data，还有1个1维的label，代码：

#coding:utf⑻
"""
Author:wepon
Source:https://github.com/wepe
file:data.py
"""

import os
from PIL import Image
import numpy as np

#读取文件夹mnist下的42000张图片，图片为灰度图，所以为1通道，
#如果是将彩色图作为输入,则将1替换为3,图象大小28*28
def load_data():
    data = np.empty((42000,1,28,28),dtype="float32")
    label = np.empty((42000,),dtype="uint8")

    imgs = os.listdir("./mnist")
    num = len(imgs)
    for i in range(num):
        img = Image.open("./mnist/"+imgs[i])
        arr = np.asarray(img,dtype="float32")
        data[i,:,:,:] = arr
        label[i] = int(imgs[i].split('.')[0])
    return data,label

构建CNN，训练

短短210多行代码，构建1个3个卷积层的CNN，直接读下面的代码吧，有注释，很容易读懂：

#导入各种用到的模块组件
from __future__ import absolute_import
from __future__ import print_function
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers.advanced_activations import PReLU
from keras.layers.convolutional import Convolution2D, MaxPooling2D
from keras.optimizers import SGD, Adadelta, Adagrad
from keras.utils import np_utils, generic_utils
from six.moves import range
from data import load_data

#加载数据
data, label = load_data()
print(data.shape[0], ' samples')

#label为0~9共10个种别，keras要求格式为binary class matrices,转化1下，直接调用keras提供的这个函数
label = np_utils.to_categorical(label, 10)

###############
#开始建立CNN模型
###############

#生成1个model
model = Sequential()

#第1个卷积层，4个卷积核，每一个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。
#border_mode可以是valid或full，具体看这里说明：http://deeplearning.net/software/theano/library/tensor/nnet/conv.html#theano.tensor.nnet.conv.conv2d
#激活函数用tanh
#你还可以在model.add(Activation('tanh'))后加上dropout的技能: model.add(Dropout(0.5))
model.add(Convolution2D(4, 1, 5, 5, border_mode='valid')) 
model.add(Activation('tanh'))

#第2个卷积层，8个卷积核，每一个卷积核大小3*3。4表示输入的特点图个数，等于上1层的卷积核个数
#激活函数用tanh
#采取maxpooling，poolsize为(2,2)
model.add(Convolution2D(8,4, 3, 3, border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(poolsize=(2, 2)))

#第3个卷积层，16个卷积核，每一个卷积核大小3*3
#激活函数用tanh
#采取maxpooling，poolsize为(2,2)
model.add(Convolution2D(16, 8, 3, 3, border_mode='valid')) 
model.add(Activation('tanh'))
model.add(MaxPooling2D(poolsize=(2, 2)))

#全连接层，先将前1层输出的2维特点图flatten为1维的。
#Dense就是隐藏层。16就是上1层输出的特点图个数。4是根据每一个卷积层计算出来的：(28⑸+1)得到24,(24⑶+1)/2得到11，(11⑶+1)/2得到4
#全连接有128个神经元节点,初始化方式为normal
model.add(Flatten())
model.add(Dense(16*4*4, 128, init='normal'))
model.add(Activation('tanh'))

#Softmax分类，输出是10种别
model.add(Dense(128, 10, init='normal'))
model.add(Activation('softmax'))

#############
#开始训练模型
##############
#使用SGD + momentum
#model.compile里的参数loss就是损失函数(目标函数)
sgd = SGD(l2=0.0,lr=0.05, decay=1e⑹, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")

#调用fit方法，就是1个训练进程. 训练的epoch数设为10，batch_size为100．
#数据经过随机打乱shuffle=True。verbose=1，训练进程中输出的信息，0、1、23种方式都可以，无关紧要。show_accuracy=True，训练时每个epoch都输出accuracy。
#validation_split=0.2，将20%的数据作为验证集。
model.fit(data, label, batch_size=100,nb_epoch=10,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)

#fit方法在到达设定的nb_epoch时结束，并且自动地保存了效果最好的model,以后你可以调用model.evaluate()方法对测试数据进行测试，
#还有model.predict_classes,model.predict_proba等方法,具体请看文档。