Keras：Python深度学习库中文教程
Keras：Python深度学习库中文教程
阅读(1.6k) 书签 赞(0) 我要纠错

Keras 模型编译

2021-10-15 15:00 更新

之前，我们研究了如何使用 Sequential 和 Function API 创建模型的基础知识。本章将介绍如何编译模型。编译是创建模型的最后一步。编译完成后，我们就可以进入训练阶段。

首先，学习一些概念，有助于我们更好地理解编译过程。

Loss 损失

在机器学习中，Loss 函数用于发现学习过程中的错误或偏差。Keras 在模型编译过程中需要损失函数。

Keras 在损失模块中提供了不少的损失函数，下面为大家罗列出来：

  • mean_squared_error
  • mean_absolute_error
  • mean_absolute_percentage_error
  • squared_hinge
  • categorical_hinge
  • categorical_hine
  • huber_loss
  • categorical_crossentropy
  • sparse_categorical_crossentropy
  • binary_crossentropy
  • kullback_leibler_divergence
  • poisson
  • cosine_proximity
  • is_categorical_crossentropy

以上所有损失函数都接受两个函数：

  • y_true 作为 tensor 的真实标签
  • y_pred 与 y_true 形状相同的预测 在使用下面指定的损失函数之前，首先要导入损失模块： 
    from keras import losses

Optimizer 优化器

在机器学习中，optimizer 是通过比较预测和损失函数来优化输入权重的重要过程。Keras 提供了很多优化器作为模块，具体如下：

SGD 随机梯度下降优化器

keras.optimizers.SGD(learning_rate = 0.01, momentum = 0.0, nesterov = False)

RMSprop 优化器

keras.optimizers.RMSprop(learning_rate = 0.001, rho = 0.9)

Adagrad 优化器

keras.optimizers.Adagrad(learning_rate = 0.01)

Adadelta 优化器

keras.optimizers.Adadelta(learning_rate = 1.0, rho = 0.95)

Adam 优化器

keras.optimizers.Adam(
   learning_rate = 0.001, beta_1 = 0.9, beta_2 = 0.999, amsgrad = False
)

Adamax 优化器。

from keras import optimizers

Metrics 指标

在机器学习中，指标用于评估模型的功能。它类似于损失函数，但不用于训练过程。Keras也提供了许多的指标作为模块，详细如下：

  • accuracy
  • binary_accuracy
  • categorical_accuracy
  • sparse_categorical_accuracy
  • top_k_categorical_accuracy
  • sparse_top_k_categorical_accuracy
  • cosine_proximity
  • clone_metric

和损失函数一样，指标一样接受一下的两种参数：

  • y_true 作为 tensor 的真实标签
  • y_pred 与 y_true 形状相同的预测

使用指标需要导入指定的指标模块:

from keras import metrics

编译模型

Keras 模型提供了一个方法compile()来编译模型。compile()方法的参数和默认值如下：

compile(
   optimizer, 
   loss = None, 
   metrics = None, 
   loss_weights = None, 
   sample_weight_mode = None, 
   weighted_metrics = None, 
   target_tensors = None
)

重要的论点如下:

  • 损失函数
  • 优化器
  • 指标

编译模式的示例代码如下:

from keras import losses 
from keras import optimizers 
from keras import metrics 


model.compile(loss = 'mean_squared_error',  
   optimizer = 'sgd', metrics = [metrics.categorical_accuracy])
  • 损失函数设置为mean_squared_error
  • 优化器设置为sgd
  • 指标设置为metrics.categorical_accuracy

模型训练

模型由 NumPy 数组使用fit()进行训练。此拟合函数的主要目的是用于评估训练模型。这也可用于绘制模型性能。它具有以下语法:

model.fit(X, y, epochs = , batch_size = )
  • X, y 这是一个用于评估数据的元组。
  • epochs 在训练期间不需要评估模型的次数。
  • batch_size 训练实例。

让我们举一个简单的 numpy 随机数据示例来使用这个概念。

创建数据

让我们在下面提到的命令的帮助下，使用 numpy 为 x 和 y 创建一个随机数据:

import numpy as np 


x_train = np.random.random((100,4,8)) 
y_train = np.random.random((100,10))

现在，创建随机验证数据:

x_val = np.random.random((100,4,8)) 
y_val = np.random.random((100,10))

创建模型

让我们创建简单的顺序模型:

from keras.models import Sequential model = Sequential()

添加图层

创建图层以添加模型:

from keras.layers import LSTM, Dense 


## add a sequence of vectors of dimension 16 
model.add(LSTM(16, return_sequences = True)) 
model.add(Dense(10, activation = 'softmax'))

编译模型

模型已定义,可以使用以下命令进行编译：

model.compile(
   loss = 'categorical_crossentropy', optimizer = 'sgd', metrics = ['accuracy']
)

应用fit()

现在我们应用fit()函数来训练我们的数据:

model.fit(x_train, y_train, batch_size = 32, epochs = 5, validation_data = (x_val, y_val))

创建一个多层感知器 ANN

我们已经学会了创建、编译和训练 Keras 模型。

让我们应用我们的学习并创建一个简单的基于 MPL 的 ANN。

数据集模块

在创建模型之前，我们需要选择一个问题，需要收集所需的数据并将数据转换为 NumPy 数组。收集数据后，我们可以准备模型并使用收集的数据对其进行训练。数据收集是机器学习中最困难的阶段之一。Keras 提供了一个特殊的模块数据集，用于下载在线机器学习数据以进行训练。它从在线服务器获取数据，处理数据并将数据作为训练和测试集返回。让我们检查 Keras 数据集模块提供的数据。模块中可用的数据如下:

  • CIFAR10 小图分类
  • CIFAR100 小图像分类
  • IMDB电影评论情感分类
  • 路透社新闻专线主题分类
  • MNIST 手写数字数据库
  • Fashion-MNIST 时尚文章数据库
  • 波士顿房价回归数据集

让我们使用手写数字（或 minst）的MNIST数据库作为我们的输入。minst 是 60,000 张 28x28 灰度图像的集合。它包含 10 位数字。它还包含 10,000 张测试图像。

下面的代码可用于加载数据集:

from keras.datasets import mnist 


(x_train, y_train), (x_test, y_test) = mnist.load_data()
  • 第 1 行 从 keras 数据集模块导入minst。
  • 第 3 行 调用load_data函数，该函数将从在线服务器获取数据并以 2 元组形式返回数据，第一个元组，(x_train, y_train)表示具有形状的训练数据，(number_sample, 28, 28)及其数字标签形状(number_samples, )。第二个元组(x_test, y_test)表示具有相同形状的测试数据。

创建模型

让我们选择一个简单的多层感知器 (MLP)，如下所示，并尝试使用 Keras 创建模型:

该模型的核心特征如下:

  • 输入层由 784 个值 (28 x 28 = 784) 组成。
  • 第一个隐藏层，Dense由 512 个神经元和“relu”激活函数组成。
  • 第二个隐藏层Dropout的值为 0.2。
  • 第三个隐藏层，同样是 Dense，由 512 个神经元和“relu”激活函数组成。
  • 第四个隐藏层，Dropout的值为 0.2。
  • 第五层也是最后一层由 10 个神经元和“softmax”激活函数组成。
  • 使用categorical_crossentropy作为损失函数。
  • 使用RMSprop()作为优化器。
  • 使用准确性作为指标。
  • 使用 128 作为批量大小。
  • 使用 20 作为纪元。

步骤 1 - 导入模块

让我们导入必要的模块。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np

步骤 2 - 加载数据

让我们导入 mnist 数据集。

(x_train, y_train), (x_test, y_test) = mnist.load_data()

步骤 3 - 处理数据

让我们根据我们的模型更改数据集，以便将其输入到我们的模型中。

x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 


y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10)
  • reshape用于将输入从 (28, 28) 元组重塑为 (784, )
  • to_categorical用于将向量转换为二进制矩阵

步骤 4 - 创建模型

让我们创建实际模型。

model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu'))
model.add(Dropout(0.2)) 
model.add(Dense(10, activation = 'softmax'))

步骤 5 - 编译模型

让我们使用选定的损失函数、优化器和指标来编译模型。

model.compile(loss = 'categorical_crossentropy',     
   optimizer = RMSprop(), 
   metrics = ['accuracy'])

步骤 6 - 训练模型

让我们使用fit()方法训练模型。

history = model.fit(
   x_train, y_train, 
   batch_size = 128, 
   epochs = 20, 
   verbose = 1, 
   validation_data = (x_test, y_test)
)

总结

我们已经创建了模型，加载了数据并将数据训练到模型中。我们仍然需要评估模型并预测未知输入的输出，我们将在下一章中学习。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np 


(x_train, y_train), (x_test, y_test) = mnist.load_data() 


x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 


y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10) 


model = Sequential() 
model.add(Dense(512, activation='relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(10, activation = 'softmax'))
model.compile(loss = 'categorical_crossentropy', 
   optimizer = RMSprop(), 
   metrics = ['accuracy']) 


history = model.fit(x_train, y_train, 
   batch_size = 128, epochs = 20, verbose = 1, validation_data = (x_test, y_test))

执行应用程序将提供以下内容作为输出 

Train on 60000 samples, validate on 10000 samples Epoch 1/20 
60000/60000 [==============================] - 7s 118us/step - loss: 0.2453 
- acc: 0.9236 - val_loss: 0.1004 - val_acc: 0.9675 Epoch 2/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.1023 
- acc: 0.9693 - val_loss: 0.0797 - val_acc: 0.9761 Epoch 3/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.0744 
- acc: 0.9770 - val_loss: 0.0727 - val_acc: 0.9791 Epoch 4/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.0599 
- acc: 0.9823 - val_loss: 0.0704 - val_acc: 0.9801 Epoch 5/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0504 
- acc: 0.9853 - val_loss: 0.0714 - val_acc: 0.9817 Epoch 6/20 
60000/60000 [==============================] - 7s 111us/step - loss: 0.0438 
- acc: 0.9868 - val_loss: 0.0845 - val_acc: 0.9809 Epoch 7/20 
60000/60000 [==============================] - 7s 114us/step - loss: 0.0391 
- acc: 0.9887 - val_loss: 0.0823 - val_acc: 0.9802 Epoch 8/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0364 
- acc: 0.9892 - val_loss: 0.0818 - val_acc: 0.9830 Epoch 9/20 
60000/60000 [==============================] - 7s 113us/step - loss: 0.0308 
- acc: 0.9905 - val_loss: 0.0833 - val_acc: 0.9829 Epoch 10/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0289 
- acc: 0.9917 - val_loss: 0.0947 - val_acc: 0.9815 Epoch 11/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0279 
- acc: 0.9921 - val_loss: 0.0818 - val_acc: 0.9831 Epoch 12/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0260 
- acc: 0.9927 - val_loss: 0.0945 - val_acc: 0.9819 Epoch 13/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0257 
- acc: 0.9931 - val_loss: 0.0952 - val_acc: 0.9836 Epoch 14/20
60000/60000 [==============================] - 7s 112us/step - loss: 0.0229 
- acc: 0.9937 - val_loss: 0.0924 - val_acc: 0.9832 Epoch 15/20 
60000/60000 [==============================] - 7s 115us/step - loss: 0.0235 
- acc: 0.9937 - val_loss: 0.1004 - val_acc: 0.9823 Epoch 16/20 
60000/60000 [==============================] - 7s 113us/step - loss: 0.0214 
- acc: 0.9941 - val_loss: 0.0991 - val_acc: 0.9847 Epoch 17/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0219 
- acc: 0.9943 - val_loss: 0.1044 - val_acc: 0.9837 Epoch 18/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0190 
- acc: 0.9952 - val_loss: 0.1129 - val_acc: 0.9836 Epoch 19/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0197 
- acc: 0.9953 - val_loss: 0.0981 - val_acc: 0.9841 Epoch 20/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0198 
- acc: 0.9950 - val_loss: 0.1215 - val_acc: 0.9828
以上内容是否对您有帮助：
← Keras 模型
Keras 模型评估和模型预测 →
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号