Python深度學習讀書筆記-5.Keras 簡介

Keras 重要特性

• 相同的代碼能夠在 CPU 或 GPU 上無縫切換運行。
• 具備用戶友好的 API，便於快速開發深度學習模型的原型。
• 內置支持卷積網絡（用於計算機視覺）、循環網絡（用於序列處理）以及兩者的任意組合。
• 支持任意網絡架構：多輸入或多輸出模型、層共享、模型共享等。這也就是說， Keras可以構建任意深度學習模型，不管是生成式對抗網絡仍是神經圖靈機

 

 

Keras 有三個後端實現： 

TensorFlow 後端、Theano 後端和微軟認知工具包（ CNTK， Microsoft cognitive toolkit）後端。將來 Keras 可能會擴

展到支持更多的深度學習引擎。

 

典型的 Keras 工做流程

(1) 定義訓練數據：輸入張量和目標張量。

(2) 定義層組成的網絡（或模型），將輸入映射到目標。

(3) 配置學習過程：選擇損失函數、優化器和須要監控的指標。

(4) 調用模型的 fit 方法在訓練數據上進行迭代。

 

定義模型有兩種方法：

一種是使用 Sequential 類（僅用於層的線性堆疊，這是目前最多見的網絡架構），另外一種是函數式 API（ functional API，用於層組成的有向無環圖，讓你能夠構建任意形式的架構）。

 

from keras import models

from keras import layers

model = models.Sequential()

model.add(layers.Dense(32, activation='relu', input_shape=(784,)))

model.add(layers.Dense(10, activation='softmax’))

 

下面是用函數式 API 定義的相同模型。

input_tensor = layers.Input(shape=(784,))

x = layers.Dense(32, activation='relu')(input_tensor)

output_tensor = layers.Dense(10, activation='softmax')(x)

model = models.Model(inputs=input_tensor, outputs=output_tensor)

利用函數式 API，你能夠操縱模型處理的數據張量，並將層應用於這個張量，就好像這些層是函數同樣.

 

配置學習過程是在編譯這一步，你須要指定模型使用的優化器和損失函數，以及訓練過程

中想要監控的指標:

from keras import optimizers

model.compile(optimizer=optimizers.RMSprop(lr=0.001),  loss='mse',  metrics=['accuracy'])

 

學習過程就是經過 fit() 方法將輸入數據的 Numpy 數組（和對應的目標數據）傳入模型:

model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)