深度学习：Keras入门(一)之基础篇

1.关于Keras

        1）简介          

         Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

         Keras是一个高层神经网络API，支持快速实验，可以把你的idea迅速转换为结果，若是有以下需求，能够优先选择Keras：

                a）简易和快速的原型设计（keras具备高度模块化，极简，和可扩充特性）

                b）支持CNN和RNN，或两者的结合

                c）无缝CPU和GPU切换

         2）设计原则

               a）用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是咱们考虑的首要和中心内容。Keras遵循减小认知困难的最佳实践：Keras提供一致而简洁的API， 可以极大减小通常应用下用户的工做量，同时，Keras提供清晰和具备实践意义的bug反馈。

               b）模块性：模型可理解为一个层的序列或数据的运算图，彻底可配置的模块能够用最少的代价自由组合在一块儿。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可使用它们来构建本身的模型。

              c）易扩展性：添加新模块超级容易，只须要仿照现有的模块编写新的类或函数便可。建立新模块的便利性使得Keras更适合于先进的研究工做。

              d）与Python协做：Keras没有单独的模型配置文件类型（做为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。

 

2.Keras的模块结构

   

 

3.使用Keras搭建一个神经网络

 

4.主要概念

   1）符号计算

        Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。不管是Theano仍是TensorFlow，都是一个“符号式”的库。符号计算首先定义各类变量，而后创建一个“计算图”,计算图规定了各个变量之间的计算关系。

       符号计算也叫数据流图，其过程以下(gif图很差打开，因此用了静态图，数据是按图中黑色带箭头的线流动的)：

        

     2）张量

          张量(tensor)，能够看做是向量、矩阵的天然推广，用来表示普遍的数据类型。张量的阶数也叫维度。

          0阶张量,即标量,是一个数。

          1阶张量,即向量,一组有序排列的数

          2阶张量,即矩阵,一组向量有序的排列起来

          3阶张量，即立方体，一组矩阵上下排列起来

          4阶张量......
          依次类推

          重点：关于维度的理解

          假若有一个10长度的列表，那么咱们横向看有10个数字，也能够叫作10维度，纵向看只能看到1个数字，那么就叫1维度。注意这个区别有助于理解Keras或者神经网络中计算时出现的维度问题。

    3）数据格式(data_format)

        目前主要有两种方式来表示张量：
        a) th模式或channels_first模式，Theano和caffe使用此模式。
        b）tf模式或channels_last模式，TensorFlow使用此模式。

 
        下面举例说明两种模式的区别：
         对于100张RGB3通道的16×32（高为16宽为32）彩色图，
         th表示方式：（100,3,16,32）
         tf表示方式：（100,16,32,3）
         惟一的区别就是表示通道个数3的位置不同。

     4）模型

          Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为普遍，序贯模型是函数式模型的一种特殊状况。
          a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层链接。这种模型编译速度快，操做也比较简单
          b）函数式模型（Model）：多输入多输出，层与层之间任意链接。这种模型编译速度慢。

 

5.第一个示例

          这里也采用介绍神经网络时经常使用的一个例子：手写数字的识别。

          在写代码以前，基于这个例子介绍一些概念，方便你们理解。

          PS：多是版本差别的问题，官网中的参数和示例中的参数是不同的，官网中给出的参数少，而且有些参数支持，有些不支持。因此此例子去掉了不支持的参数，而且只介绍本例中用到的参数。

          1）Dense(500,input_shape=(784,))

               a）Dense层属于网络层-->经常使用层中的一个层

               b） 500表示输出的维度，完整的输出表示：(*,500)：即输出任意个500维的数据流。可是在参数中只写维度就能够了，比较具体输出多少个是有输入肯定的。换个说法，Dense的输出实际上是个N×500的矩阵。

              c）input_shape(784,) 表示输入维度是784(28×28，后面具体介绍为何)，完整的输入表示：(*,784)：即输入N个784维度的数据

         2）Activation('tanh')

              a）Activation：激活层

              b）'tanh' ：激活函数

         3）Dropout(0.5)

              在训练过程当中每次更新参数时随机断开必定百分比（rate）的输入神经元，防止过拟合。

         4）数据集

             数据集包括60000张28×28的训练集和10000张28×28的测试集及其对应的目标数字。若是彻底按照上述数据格式表述，以tensorflow做为后端应该是（60000,28,28,3），由于示例中采用了mnist.load_data()获取数据集，因此已经判断使用了tensorflow做为后端，所以数据集就变成了(60000,28,28),那么input_shape(784,)应该是input_shape(28,28，)才对，可是在这个示例中这么写是不对的，须要转换成(60000,784),才能够。为何须要转换呢？

           

              如上图，训练集(60000,28,28)做为输入，就至关于一个立方体，而输入层从当前角度看就是一个平面，立方体的数据流怎么进入平面的输入层进行计算呢？因此须要进行黄色箭头所示的变换，而后才进入输入层进行后续计算。至于从28*28变换成784以后输入层如何处理，就不须要咱们关心了。(喜欢钻研的同窗能够去研究下源代码)。

         而且，Keras中输入多为(nb_samples, input_dim)的形式：即(样本数量，输入维度)。

        5）示例代码

from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation  
from keras.optimizers import SGD  
from keras.datasets import mnist  
import numpy 
'''
    第一步：选择模型
'''
model = Sequential()
'''
   第二步：构建网络层
'''
model.add(Dense(500,input_shape=(784,))) # 输入层，28*28=784  
model.add(Activation('tanh')) # 激活函数是tanh  
model.add(Dropout(0.5)) # 采用50%的dropout

model.add(Dense(500)) # 隐藏层节点500个  
model.add(Activation('tanh'))  
model.add(Dropout(0.5))

model.add(Dense(10)) # 输出结果是10个类别，因此维度是10  
model.add(Activation('softmax')) # 最后一层用softmax做为激活函数

'''
   第三步：编译
'''
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数  
model.compile(loss='categorical_crossentropy', optimizer=sgd, class_mode='categorical') # 使用交叉熵做为loss函数

'''
   第四步：训练
   .fit的一些参数
   batch_size：对总的样本数进行分组，每组包含的样本数量
   epochs ：训练次数
   shuffle：是否把数据随机打乱以后再进行训练
   validation_split：拿出百分之多少用来作交叉验证
   verbose：屏显模式 0：不输出  1：输出进度  2：输出每次的训练结果
'''
(X_train, y_train), (X_test, y_test) = mnist.load_data() # 使用Keras自带的mnist工具读取数据（第一次须要联网）
# 因为mist的输入数据维度是(num, 28, 28)，这里须要把后面的维度直接拼起来变成784维  
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1] * X_train.shape[2]) 
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1] * X_test.shape[2])  
Y_train = (numpy.arange(10) == y_train[:, None]).astype(int) 
Y_test = (numpy.arange(10) == y_test[:, None]).astype(int)

model.fit(X_train,Y_train,batch_size=200,epochs=50,shuffle=True,verbose=0,validation_split=0.3)
model.evaluate(X_test, Y_test, batch_size=200, verbose=0)

'''
    第五步：输出
'''
print("test set")
scores = model.evaluate(X_test,Y_test,batch_size=200,verbose=0)
print("")
print("The test loss is %f" % scores)
result = model.predict(X_test,batch_size=200,verbose=0)

result_max = numpy.argmax(result, axis = 1)
test_max = numpy.argmax(Y_test, axis = 1)

result_bool = numpy.equal(result_max, test_max)
true_num = numpy.sum(result_bool)
print("")
print("The accuracy of the model is %f" % (true_num/len(result_bool)))