首页手记 Keras深度学习入门教程

Keras深度学习入门教程

标签：

机器学习深度学习人工智能

概述

Keras是一个高级API，用于构建和训练深度学习模型，提供了多种网络类型和预训练模型的支持。本文将介绍如何安装Keras、编写第一个Keras程序以及进行数据预处理等。此外，还将展示如何使用Keras构建简单的神经网络模型和进行图像分类任务，同时探讨Keras的高级特性和优化技巧。

Keras快速入门

Keras简介

Keras 是一个用于构建和训练深度学习模型的高级API，最初由Francois Chollet开发，现在是TensorFlow的一个高级API。Keras在设计时就考虑了用户友好性，可以轻松地在不同的后端上运行，如TensorFlow、Theano和CNTK，但目前最常用的后端是TensorFlow。

Keras提供了强大的功能来构建和训练深度学习模型，包括但不限于全连接神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等。此外，它还支持预训练模型的加载和使用，以及各种数据预处理和后处理工具。

安装Keras

安装Keras可以使用Python的包管理工具pip。在命令行中运行以下命令：

pip install keras

如果要使用TensorFlow作为后端，可以安装带有TensorFlow后端的Keras：

pip install keras tensorflow

如果要使用其他后端（如Theano或CNTK），则需要相应安装这些后端库。

第一个Keras程序

下面是一个简单的Keras程序示例，它演示了如何使用Keras构建和训练一个简单的多层感知器（MLP）模型，用于二分类任务。

代码示例

# 导入所需的库
import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 生成模拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))

# 构建模型
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32, verbose=1)

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print("Test loss:", score[0])
print("Test accuracy:", score[1])

代码说明

导入库：首先导入所需的库，包括Keras中的Sequential模型和Dense层。
生成模拟数据：随机生成训练数据和测试数据。
构建模型：使用Sequential模型构建一个包含两个隐藏层和一个输出层的全连接神经网络。
编译模型：设置优化器、损失函数和评估指标（如准确率）。
训练模型：使用训练数据训练模型。
评估模型：使用测试数据评估模型性能。

这提供了Keras库的基本使用方法。

Keras数据预处理

加载数据集

Keras提供了一些内置的数据集，如MNIST、CIFAR-10等，可以直接使用它们进行实验。以下是如何加载MNIST数据集的示例。

代码示例

from keras.datasets import mnist

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 显示训练数据集和测试数据集的形状
print('x_train shape:', x_train.shape)
print('y_train shape:', y_train.shape)
print('x_test shape:', x_test.shape)
print('y_test shape:', y_test.shape)

代码说明

导入库：使用Keras的mnist模块加载数据集。
加载数据集：load_data()函数返回一个包含训练数据和测试数据的元组。
显示数据集形状：使用shape属性查看数据集的维度信息。

数据预处理

处理数据集时，通常需要对数据进行一些预处理，如归一化、标签编码等。

归一化

归一化是将数据缩放到一个特定的范围，通常为[0, 1]或[-1, 1]。对于图像数据，通常将像素值从0-255缩放到0-1。

代码示例

# 归一化数据
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

标签编码

在深度学习中，标签通常是整数形式。如果使用分类损失函数，则需要将这些标签转换为one-hot编码。

代码示例

from keras.utils import to_categorical

# 将标签转换为one-hot编码
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

数据增强

数据增强是通过应用一系列变换来扩充数据集的一种方法，以增加模型的泛化能力。Keras提供了ImageDataGenerator类来实现数据增强。

代码示例

from keras.preprocessing.image import ImageDataGenerator

# 创建数据增强对象
datagen = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.1,
    height_shift_range=0.1,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

# 适配数据增强器
datagen.fit(x_train)

# 使用增强器生成训练数据
train_generator = datagen.flow(x_train, y_train, batch_size=32)

代码说明

创建数据增强对象：使用ImageDataGenerator类创建数据增强器。
适配数据增强器：使用fit方法适配数据增强器。
生成增强数据：使用flow方法生成增强的数据。

构建简单的神经网络模型

搭建全连接神经网络

全连接神经网络（也称为多层感知器）是神经网络中最基本的类型。它可以用于处理各种任务，如分类、回归等。

代码示例

from keras.models import Sequential
from keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

代码说明

创建模型：使用Sequential模型创建一个全连接神经网络。
添加层：使用add方法添加多个Dense层。
编译模型：设置优化器、损失函数和评估指标。

Keras中的层和模型

在Keras中，层是构建神经网络的基本组件。每一层都有特定的功能，如线性变换、非线性变换、池化等。模型则是层的组合，可以是顺序模型（Sequential）或函数式模型。

顺序模型

顺序模型是最简单的模型类型，它按照顺序堆叠多个层。

代码示例

from keras.models import Sequential
from keras.layers import Dense

model = Sequential([
    Dense(64, input_dim=20, activation='relu'),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')
])

函数式模型

函数式模型允许更复杂的网络结构，如多输入、多输出网络。

代码示例

from keras.layers import Input, Dense
from keras.models import Model

# 输入层
input = Input(shape=(20,))

# 隐藏层
hidden = Dense(64, activation='relu')(input)

# 输出层
output = Dense(1, activation='sigmoid')(hidden)

# 创建模型
model = Model(inputs=input, outputs=output)

编译模型

编译模型是设置优化器、损失函数和评估指标的重要步骤。这些设置对模型的训练和评估都有直接影响。

代码示例

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

代码说明

优化器：指定优化器，如adam。
损失函数：指定损失函数，如binary_crossentropy。
评估指标：指定评估指标，如accuracy。

使用Keras进行图像分类

加载和预处理图像数据

加载和预处理图像数据是图像分类任务中非常重要的步骤。Keras提供了ImageDataGenerator类来帮助加载和预处理图像数据。

代码示例

from keras.preprocessing.image import ImageDataGenerator

# 创建数据增强对象
datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.1,
    height_shift_range=0.1,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

# 生成训练数据
train_generator = datagen.flow_from_directory(
    'data/train',
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

# 生成验证数据
validation_generator = datagen.flow_from_directory(
    'data/validation',
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

代码说明

创建数据增强对象：使用ImageDataGenerator类创建数据增强器。
生成训练数据：使用flow_from_directory方法从指定目录生成训练数据。
生成验证数据：使用flow_from_directory方法从指定目录生成验证数据。

构建卷积神经网络

卷积神经网络（CNN）是图像分类任务的常用模型。下面是一个简单的CNN模型示例。

代码示例

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')
])

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

代码说明

添加卷积层：使用Conv2D和MaxPooling2D层构建CNN。
添加全连接层：使用Flatten和Dense层构建全连接网络。
编译模型：设置优化器、损失函数和评估指标。

训练和评估模型

训练和评估模型是深度学习任务中的关键步骤。Keras提供了简单的方法来训练和评估模型。

代码示例

# 训练模型
model.fit(
    train_generator,
    steps_per_epoch=100,
    epochs=10,
    validation_data=validation_generator,
    validation_steps=50
)

# 评估模型
score = model.evaluate(validation_generator, steps=50)
print("Test loss:", score[0])
print("Test accuracy:", score[1])

代码说明

训练模型：使用训练数据训练模型。
评估模型：使用验证数据评估模型性能。

Keras中的回调与保存模型

使用回调功能

Keras提供了Callback类来监控训练过程，并根据需要采取一些操作。常见的回调功能包括：

TensorBoard：可视化训练过程。
ModelCheckpoint：保存模型的最佳权重。
EarlyStopping：根据验证损失停止训练。

代码示例

from keras.callbacks import TensorBoard, ModelCheckpoint, EarlyStopping

# 创建TensorBoard回调
tensorboard = TensorBoard(log_dir='./logs')

# 创建ModelCheckpoint回调
checkpoint = ModelCheckpoint('model.h5', monitor='val_loss', save_best_only=True)

# 创建EarlyStopping回调
early_stopping = EarlyStopping(monitor='val_loss', patience=3)

# 训练模型
model.fit(
    train_generator,
    steps_per_epoch=100,
    epochs=10,
    validation_data=validation_generator,
    validation_steps=50,
    callbacks=[tensorboard, checkpoint, early_stopping]
)

代码说明

创建回调对象：使用TensorBoard、ModelCheckpoint和EarlyStopping类创建回调对象。
训练模型：在训练模型时传入回调对象。

保存和加载模型

保存和加载模型是深度学习任务中常见的需求，Keras提供了简单的方法来保存和加载模型。

代码示例

# 保存模型
model.save('model.h5')

# 加载模型
from keras.models import load_model
model = load_model('model.h5')

代码说明

保存模型：使用save方法保存模型。
加载模型：使用load_model函数加载模型。

模型优化技巧

模型优化技巧包括但不限于：

超参数调整：调整学习率、批量大小等超参数。
数据增强：使用数据增强增加数据集的多样性。
使用预训练模型：使用预训练模型作为基础网络。
模型剪枝：减少模型的大小和复杂度。

代码示例

# 调整超参数
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 使用预训练模型
from keras.applications import VGG16

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3))
base_model.trainable = False

model = Sequential([
    base_model,
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')
])

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

代码说明

超参数调整：调整优化器、损失函数等超参数。
使用预训练模型：使用VGG16预训练模型作为基础网络。

实战案例：使用Keras进行文本分类

文本数据预处理

文本数据预处理通常包括分词、向量化等步骤。Keras提供了Tokenizer类来处理文本数据。

代码示例

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences

# 文本数据
texts = ['I love machine learning', 'I hate machine learning']
labels = [1, 0]

# 创建Tokenizer对象
tokenizer = Tokenizer(num_words=1000)
tokenizer.fit_on_texts(texts)

# 将文本转换为序列
sequences = tokenizer.texts_to_sequences(texts)

# 填充序列
data = pad_sequences(sequences, maxlen=10)

# 显示结果
print(data)

代码说明

创建Tokenizer对象：使用Tokenizer类创建Tokenizer对象。
分词：使用fit_on_texts方法对文本进行分词。
转换为序列：使用texts_to_sequences方法将文本转换为序列。
填充序列：使用pad_sequences方法填充序列。

构建和训练文本分类模型

构建和训练文本分类模型通常涉及使用嵌入层和全连接层。

代码示例

from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense

model = Sequential([
    Embedding(1000, 64, input_length=10),
    LSTM(64),
    Dense(1, activation='sigmoid')
])

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

model.fit(data, labels, epochs=10, batch_size=32, verbose=1)

代码说明

创建模型：使用Sequential模型构建包含嵌入层、LSTM层和全连接层的模型。
编译模型：设置优化器、损失函数和评估指标。
训练模型：使用训练数据训练模型。

模型测试与评估

测试和评估模型通常涉及使用测试数据集评估模型性能。

代码示例

# 测试数据
test_texts = ['I am interested in machine learning']
test_labels = [1]

test_sequences = tokenizer.texts_to_sequences(test_texts)
test_data = pad_sequences(test_sequences, maxlen=10)

# 评估模型
score = model.evaluate(test_data, test_labels, verbose=0)
print("Test loss:", score[0])
print("Test accuracy:", score[1])

代码说明

测试数据：使用测试数据集进行测试。
转换为序列：将测试数据转换为序列。
评估模型：使用evaluate方法评估模型性能。

点击查看更多内容

为 TA 点赞

若觉得本文不错，就分享一下吧！

评论

评论

共同学习，写下你的评论

评论加载中...

展开查看更多评论

作者其他优质文章

正在加载中

拉莫斯之舞

手记
篇

粉丝

25

获赞与收藏

110

关注作者，订阅最新文章

阅读免费教程

后端通用面试教程

41个小节 30809 345

网络编程入门教程

20个小节 12721 239

Pandas 入门教程

25个小节 18600 342

推荐

评论

收藏

共同学习，写下你的评论



感谢您的支持，我会继续努力的～

扫码打赏，你说多少就多少

赞赏金额会直接到老师账户

支付方式

打开微信扫一扫，即可进行扫码打赏哦

今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与放弃机会

点击
抽奖

慕课手记新用户专享福利

恭喜你，你的运气太好了，居然抽中了 100个积分！

恭喜你，抽中了价值元的专栏！

太棒了，直接落到你账户里！

积分商城里的罗技鼠标、机械键盘、
Kindle 阅读器、小米平衡车
Apple iPad （10.2英寸）、大额优惠券
在等着你去兑换了噢

作者：

免费赠送

兑换码：1111222211 复制

优惠券可用于购买实战课、体系课
无门槛使用

先去看看，有什么好东西马上兑换我爱学习，选课去


热搜

最近搜索清空

Keras深度学习入门教程

代码示例

代码说明

代码示例

代码说明

归一化

代码示例

标签编码

代码示例

代码示例

代码说明

代码示例

代码说明

顺序模型

代码示例

函数式模型

代码示例

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

代码示例

代码说明

阅读免费教程