Keras1学习Keras，从HelloWorld开始

Keras Hello World

最近开始学习Keras&＃xff0c;个人觉得最有效的学习方法就是写很多很多代码&＃xff0c;熟能成巧。我们先从最简单的例子来学习Keras&＃xff0c;Keras版的Hello World。
在这个例子中&＃xff0c;我们的任务是进行花朵的分类。

• 本文的代码来自 这里&＃xff0c;作者将Keras与sklearn进行了比较&＃xff0c;有详细代码的解释。本文只做Keras部分的内容&＃xff0c;删去了原本sklearn的内容
• 本文为个人的代码记录&＃xff0c;只为记录在写代码时的困惑&＃xff0c;并假设读者有一些深度学习的基本概念。
• 完整代码在 https://github.com/jiemojiemo/Keras-Demo/tree/master/Keras_Hello_World

Keras的安装

在Keras官网中已经给出了详细的安装指南

• Linux 安装指南
• Windows 安装指南
• 但是个人还是推荐使用Anaconda进行安装&＃xff0c;在Anaconda安装好的情况下使用以下命令进行安装Keras
  • 创建名为keras的环境

  conda create -n keras python&＃61;3

  • 进入环境

  activate keras

  • 安装keras

  conda update conda
  conda update --all
  conda install mingw libpython
  conda install keras

  • 安装TensorFlow

  pip install tensorflow

  • 安装一些必要的库(缺啥装啥)

  conda install jupyter notebook numpy matplotlib

• Anaconda的下载速度可以通过设置国内镜像来提到&＃xff0c;具体请看Windows下有什么办法提高conda install的速度&＃xff1f;

让我们开始吧

首先&＃xff0c;我们先导入模块&＃xff0c;一些常见的模块如numpy, matplotlib就不解释了。

• seaborn 一个matplotlib的高级封装&＃xff0c;让画图更简单漂亮&＃xff0c;但是在这个例子中&＃xff0c;我们主要用它来导入数据
• Sequential 叫做“序贯模型”&＃xff0c;是Keras模型之一。详见关于Keras模型
• keras.layers.core 常用层模块&＃xff0c;包括全连接层(Dense)&＃xff0c;激活层等。详见常用层
• keras.utils utils工具模块&＃xff0c;提供了一系列有用的工具。详见utils工具

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as npfrom sklearn.model_selection import train_test_splitimport pandas as pdfrom keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.utils import np_utils


导入数据

• sns.load_dataset(&＃39;iris&＃39;)导入iris数据库&＃xff0c;iris包含了150条花的记录,前四个length和width是花的属性&＃xff0c;species是花的种共有三种花&＃xff0c;分别是setosa&＃xff0c;versicolor和virginica。
• iris.head()查看数据。
• sns.pairplot(iris, hue&＃61;&＃39;species&＃39;)用于显示数据(这不是我们要关注的内容)

iris &＃61; sns.load_dataset(&＃39;iris&＃39;)
iris.head()


sns.pairplot(iris, hue&＃61;&＃39;species&＃39;)


训练集和测试集

• train_test_split将数据集分割为训练集和测试集&＃xff0c;train_size为训练集占整个数据集的大小&＃xff0c;random_state为随机种子&＃xff08;详见这里&＃xff09;

X &＃61; iris.values[:, :4]
y &＃61; iris.values[:, 4]


train_X, test_X, train_y, test_y &＃61; train_test_split(X, y, train_size&＃61;0.8, random_state&＃61;0)


One-Hot-Encoding

• 深度网络只能接受数字作为输入&＃xff0c;iris数据集中species是字符串类型的&＃xff0c;因此我们需要将其数字化。
• One-hot encoding 就是这样一种数字化的编码方法&＃xff0c;相关概念详见数据处理——One-Hot Encoding
• 下面给出两种不同的one-hot encoding的实现方式&＃xff0c;它们并没有差别

def one_hot_encode_object_array(arr):uniques, ids &＃61; np.unique(arr, return_inverse&＃61;True)return np_utils.to_categorical(ids, len(uniques))


# if you are a pandas man ...
def one_hot_encode_object_array_pandas(arr):return pd.get_dummies(arr).values


train_y_ohe &＃61; one_hot_encode_object_array_pandas(train_y)
test_y_ohe &＃61; one_hot_encode_object_array_pandas(test_y)


搭起我们的网络结构

• 我们要搭的网络很简单&＃xff0c;只有两层&＃xff0c;可以表示为 4-16-3&＃xff0c;隐层激活函数是sigmoid&＃xff0c;输出层时softmax
• Sequential是多个网络层的线性堆叠&＃xff0c;也就是“一条路走到黑”
• Dense就是全连接层了&＃xff0c;注意的是&＃xff0c;第一层网络需要指明输入数据的大小&＃xff0c;后面层就不需要了&＃xff0c;keras会自动推导
• Activation是激活层&＃xff0c;常见的激活函数有sigmoid, softmax, ReLU等等

model &＃61; Sequential()
# hidden layer
model.add(Dense(16, input_shape&＃61;(4,)))
model.add(Activation(&＃39;sigmoid&＃39;))
# output layer
model.add(Dense(3))
model.add(Activation(&＃39;softmax&＃39;))


Compile 编译

• 对学习过程进行配置。详见编译

model.compile(optimizer&＃61;&＃39;adam&＃39;, loss&＃61;&＃39;categorical_crossentropy&＃39;, metrics&＃61;["accuracy"])


Training 训练

• verbose 是否打印训练log
• validation_split 验证集的大小&＃xff0c;关于验证集&＃xff0c;简单的说就是用于调整模型参数&＃xff08;模型结构&＃xff0c;学习速率&＃xff0c;batch_size等等&＃xff09;。人们通过观察训练时的模型在验证集上的表现&＃xff0c;来对自己模型作出调整

model.fit(train_X, train_y_ohe, epochs&＃61;100, batch_size&＃61;1, verbose&＃61;0, validation_split&＃61;0.2)


Test 测试

loss, accuracy &＃61; model.evaluate(test_X, test_y_ohe, verbose&＃61;0)
print(&＃39;Accuracy &＃61; {:.2f}&＃39;.format(accuracy))


Accuracy &＃61; 1.00


总结

对于一个深度学习的任务&＃xff0c;大致可以分为以下三个部分

1. 数据的准备。包括数据的获取&＃xff0c;数据清洗&＃xff0c;数据预处理等等
2. 模型的构建。采用何种模型&＃xff0c;网络结构是怎样的等都要考虑
3. 参数的调整。通过反复训练来进行参数的调整&＃xff0c;通常这也是最花时间的