Keras入門（一）搭建深度神經網絡（DNN）解決多分類問題

時間 2019-12-20

標籤 keras 入門搭建深度神經網絡 dnn 解決分類問題简体版

原文原文鏈接

Keras介紹

Keras是一個開源的高層神經網絡API，由純Python編寫而成，其後端能夠基於Tensorflow、Theano、MXNet以及CNTK。Keras 爲支持快速實驗而生，可以把你的idea迅速轉換爲結果。Keras適用的Python版本是：Python 2.7-3.6。
Keras，在希臘語中意爲「角」（horn），於2015年3月份第一次發行，它能夠在Windows, Linux, Mac等系統中運行。那麼，既然有了TensorFlow（或Theano、MXNet、CNTK），爲何還須要Keras呢？這是由於，儘管咱們能夠用TensorFlow等來建立深度神經網絡系統，但Tensorflow等使用相對低級的抽象，直接編寫TensorFlow代碼具備必定的挑戰性，而Keras在TensorFlow的基礎上，增長了較易使用的抽象層，使用起來更加簡單、高效。
什麼樣的場合適合用Keras呢？若是你有以下需求，請選擇Keras：python

簡易和快速的原型設計（keras具備高度模塊化，極簡，和可擴充特性）
支持CNN和RNN，或兩者的結合
無縫CPU和GPU切換

若是想用在你的電腦上使用Keras，須要如下工具：後端

Python
TensorFlow
Keras

在這裏，咱們選擇TensorFlow做爲Keras的後端工具。使用如下Python代碼，能夠輸出Python、TensorFlow以及Keras的版本號：數組

import sys
import keras as K
import tensorflow as tf

py_ver = sys.version
k_ver = K.__version__
tf_ver = tf.__version__

print("Using Python version " + str(py_ver))
print("Using Keras version " + str(k_ver))
print("Using TensorFlow version " + str(tf_ver))

在筆者的電腦上，輸出的結果以下：網絡

Using TensorFlow backend.
Using Python version 3.5.1 (v3.5.1:37a07cee5969, Dec  6 2015, 01:54:25) [MSC v.1900 64 bit (AMD64)]
Using Keras version 2.1.5
Using TensorFlow version 1.6.0

下面，筆者將使用IRIS數據集（鳶尾花數據集，一個經典的機器學習數據集，適合做爲多分類問題的測試數據），使用Keras搭建一個深度神經網絡（DNN），來解決IRIS數據集的多分類問題，做爲Keras入門的第一個例子。app

IRIS數據集介紹

IRIS數據集（鳶尾花數據集），是一個經典的機器學習數據集，適合做爲多分類問題的測試數據，它的下載地址爲：http://archive.ics.uci.edu/ml...。
IRIS數據集是用來給鳶尾花作分類的數據集，一共150個樣本，每一個樣本包含了花萼長度（sepal length in cm）、花萼寬度（sepal width in cm）、花瓣長度（petal length in cm）、花瓣寬度（petal width in cm）四個特徵，將鳶尾花分爲三類，分別爲Iris Setosa，Iris Versicolour，Iris Virginica，每一類都有50個樣本。
IRIS數據集具體以下（只展現部分數據，順序已打亂）：
dom

讀取數據集

筆者的IRIS數據集以csv格式儲存，筆者將使用Pandas來讀取IRIS數據集，並對目標變量進行0-1編碼（One-hot Encoding），最後將該數據集分爲訓練集和測試集，比例爲7:3。完整的Python代碼以下：機器學習

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer

# 讀取CSV數據集，並拆分爲訓練集和測試集
# 該函數的傳入參數爲CSV_FILE_PATH: csv文件路徑
def load_data(CSV_FILE_PATH):
    IRIS = pd.read_csv(CSV_FILE_PATH)
    target_var = 'class'  # 目標變量
    # 數據集的特徵
    features = list(IRIS.columns)
    features.remove(target_var)
    # 目標變量的類別
    Class = IRIS[target_var].unique()
    # 目標變量的類別字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增長一列target, 將目標變量進行編碼
    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])
    # 對目標變量進行0-1編碼(One-hot Encoding)
    lb = LabelBinarizer()
    lb.fit(list(Class_dict.values()))
    transformed_labels = lb.transform(IRIS['target'])
    y_bin_labels = []  # 對多分類進行0-1編碼的變量
    for i in range(transformed_labels.shape[1]):
        y_bin_labels.append('y' + str(i))
        IRIS['y' + str(i)] = transformed_labels[:, i]
    # 將數據集分爲訓練集和測試集
    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \
                                                        train_size=0.7, test_size=0.3, random_state=0)
    return train_x, test_x, train_y, test_y, Class_dict

搭建DNN

接下來，筆者將展現如何利用Keras來搭建一個簡單的深度神經網絡（DNN）來解決這個多分類問題。咱們要搭建的DNN的結構以下圖所示：ide

咱們搭建的DNN由輸入層、隱藏層、輸出層和softmax函數組成，其中輸入層由4個神經元組成，對應IRIS數據集中的4個特徵，做爲輸入向量，隱藏層有兩層，每層分別有5和6個神經元，以後就是輸出層，由3個神經元組成，對應IRIS數據集的目標變量的類別個數，最後，就是一個softmax函數，用於解決多分類問題而建立。
對應以上的DNN結構，用Keras來搭建的話，其Python代碼以下：模塊化

import keras as K
    # 2. 定義模型
    init = K.initializers.glorot_uniform(seed=1)
    simple_adam = K.optimizers.Adam()
    model = K.models.Sequential()
    model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])

在這個模型中，咱們選擇的神經元激活函數爲ReLU函數，損失函數爲交叉熵（cross entropy），迭代的優化器（optimizer）選擇Adam，最初各個層的鏈接權重（weights）和偏重（biases）是隨機生成的。這樣咱們就講這個DNN的模型定義完畢了。這麼簡單？Yes, that's it!函數

訓練及預測

OK，定義完模型後，咱們須要對模型進行訓練、評估及預測。對於模型訓練，咱們每次訓練的批數爲1，共迭代100次，代碼以下（接以上代碼）：

# 3. 訓練模型
    b_size = 1
    max_epochs = 100
    print("Starting training ")
    h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=1)
    print("Training finished \n")

爲了對模型有個評估，感知模型的表現，須要輸出該DNN模型的損失函數的值以及在測試集上的準確率，其Python代碼以下（接以上代碼）：

# 4. 評估模型
    eval = model.evaluate(test_x, test_y, verbose=0)
    print("Evaluation on test data: loss = %0.6f accuracy = %0.2f%% \n" \
          % (eval[0], eval[1] * 100) )

訓練100次，輸出的結果以下（中間部分的訓練展現已忽略）：

Starting training 
Epoch 1/100

  1/105 [..............................] - ETA: 17s - loss: 0.3679 - acc: 1.0000
 42/105 [===========>..................] - ETA: 0s - loss: 1.8081 - acc: 0.3095 
 89/105 [========================>.....] - ETA: 0s - loss: 1.5068 - acc: 0.4270
105/105 [==============================] - 0s 3ms/step - loss: 1.4164 - acc: 0.4667
Epoch 2/100

  1/105 [..............................] - ETA: 0s - loss: 0.4766 - acc: 1.0000
 45/105 [===========>..................] - ETA: 0s - loss: 1.0813 - acc: 0.4889
 93/105 [=========================>....] - ETA: 0s - loss: 1.0335 - acc: 0.4839
105/105 [==============================] - 0s 1ms/step - loss: 1.0144 - acc: 0.4857

......

Epoch 99/100

  1/105 [..............................] - ETA: 0s - loss: 0.0013 - acc: 1.0000
 43/105 [===========>..................] - ETA: 0s - loss: 0.0447 - acc: 0.9767
 84/105 [=======================>......] - ETA: 0s - loss: 0.0824 - acc: 0.9524
105/105 [==============================] - 0s 1ms/step - loss: 0.0711 - acc: 0.9619
Epoch 100/100

  1/105 [..............................] - ETA: 0s - loss: 2.3032 - acc: 0.0000e+00
 51/105 [=============>................] - ETA: 0s - loss: 0.1122 - acc: 0.9608    
 99/105 [===========================>..] - ETA: 0s - loss: 0.0755 - acc: 0.9798
105/105 [==============================] - 0s 1ms/step - loss: 0.0756 - acc: 0.9810
Training finished 

Evaluation on test data: loss = 0.094882 accuracy = 97.78%

能夠看到，訓練完100次後，在測試集上的準確率已達到97.78%，效果至關好。
最後是對新數據集進行預測，咱們假設一朵鳶尾花的4個特徵爲6.1,3.1,5.1,1.1，咱們想知道這個DNN模型會把它預測到哪一類，其Python代碼以下：

import numpy as np
    # 5. 使用模型進行預測
    np.set_printoptions(precision=4)
    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
    predicted = model.predict(unknown)
    print("Using model to predict species for features: ")
    print(unknown)
    print("\nPredicted softmax vector is: ")
    print(predicted)
    species_dict = {v:k for k,v in Class_dict.items()}
    print("\nPredicted species is: ")
    print(species_dict[np.argmax(predicted)])

輸出的結果以下：

Using model to predict species for features: 
[[ 6.1  3.1  5.1  1.1]]

Predicted softmax vector is: 
[[  2.0687e-07   9.7901e-01   2.0993e-02]]

Predicted species is: 
versicolor

若是咱們仔細地比對IRIS數據集，就會發現，這個預測結果使人至關滿意，這個鳶尾花樣本的預測結果，以人類的眼光來看，也應當是versicolor。

總結

到此爲止，筆者就把這個演示例子給講完了，做爲入門Keras的第一步，這個例子仍是能夠的。回顧該模型，首先咱們利用Pandas讀取IRIS數據集，並分爲訓練集和測試集，而後用Keras搭建了一個簡單的DNN模型，並對該模型進行訓練及評估，最後看一下該模型在新數據集上的預測能力。從中，讀者不難體會到Keras的優越性，由於，相比TensorFlow,搭建一樣的DNN模型及模型訓練、評估、預測，其Python代碼無疑會比Keras來得長。
最後，附上該DNN模型的完整Python代碼：

# iris_keras_dnn.py
# Python 3.5.1, TensorFlow 1.6.0, Keras 2.1.5
# ========================================================
# 導入模塊
import os
import numpy as np
import keras as K
import tensorflow as tf
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

# 讀取CSV數據集，並拆分爲訓練集和測試集
# 該函數的傳入參數爲CSV_FILE_PATH: csv文件路徑
def load_data(CSV_FILE_PATH):
    IRIS = pd.read_csv(CSV_FILE_PATH)
    target_var = 'class'  # 目標變量
    # 數據集的特徵
    features = list(IRIS.columns)
    features.remove(target_var)
    # 目標變量的類別
    Class = IRIS[target_var].unique()
    # 目標變量的類別字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增長一列target, 將目標變量進行編碼
    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])
    # 對目標變量進行0-1編碼(One-hot Encoding)
    lb = LabelBinarizer()
    lb.fit(list(Class_dict.values()))
    transformed_labels = lb.transform(IRIS['target'])
    y_bin_labels = []  # 對多分類進行0-1編碼的變量
    for i in range(transformed_labels.shape[1]):
        y_bin_labels.append('y' + str(i))
        IRIS['y' + str(i)] = transformed_labels[:, i]
    # 將數據集分爲訓練集和測試集
    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \
                                                        train_size=0.7, test_size=0.3, random_state=0)
    return train_x, test_x, train_y, test_y, Class_dict

def main():

    # 0. 開始
    print("\nIris dataset using Keras/TensorFlow ")
    np.random.seed(4)
    tf.set_random_seed(13)

    # 1. 讀取CSV數據集
    print("Loading Iris data into memory")
    CSV_FILE_PATH = 'E://iris.csv'
    train_x, test_x, train_y, test_y, Class_dict = load_data(CSV_FILE_PATH)

    # 2. 定義模型
    init = K.initializers.glorot_uniform(seed=1)
    simple_adam = K.optimizers.Adam()
    model = K.models.Sequential()
    model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])

    # 3. 訓練模型
    b_size = 1
    max_epochs = 100
    print("Starting training ")
    h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=1)
    print("Training finished \n")

    # 4. 評估模型
    eval = model.evaluate(test_x, test_y, verbose=0)
    print("Evaluation on test data: loss = %0.6f accuracy = %0.2f%% \n" \
          % (eval[0], eval[1] * 100) )

    # 5. 使用模型進行預測
    np.set_printoptions(precision=4)
    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
    predicted = model.predict(unknown)
    print("Using model to predict species for features: ")
    print(unknown)
    print("\nPredicted softmax vector is: ")
    print(predicted)
    species_dict = {v:k for k,v in Class_dict.items()}
    print("\nPredicted species is: ")
    print(species_dict[np.argmax(predicted)])

main()