keras是什么

Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow，CNTK或者Theano作为后端运行。

keras使用

定义模型

neural network是什么样的，需要在keras首先定义model是sequential

1	model = sequential()

设置隐藏层hidden layer，以及激活函数activation，这里假设使用sigmoid当作激活函数

1	model.add(activation('sigmoid'))

模型评估

评估模型的好坏

compile编译

1	model.compile()

定义一个loss

1	loss = ('cateqorical crossentropy') #损失函数

1 2	optimizer #优化器 metrics #指标

最佳模型

Configuration

1	model.compile = (loss = 'categorical crossentropy', optimizer = 'adam')

optimizer后面可以跟不同的方式，都是梯度下降，只是学习率不同

寻找最优网络参数

给定四个输入, x_train, y_train, batch_size, nb_epoch
训练数据就是一张一张的图片, 每张图片对应的标签就是数字
Two dimension matrix(X_train)，第一个dimension代表你有多少个example，第二个dimension代表你有多少个pixel
Two dimension matrix(y_train)，第一个dimension代表你有多少个training example，第二个dimension代表label(黑色的为数字，从0开始计数)

1	model.fit(x_train, y_train, batch_size =100, nb_epoch = 20)

batch_size表示一个batch有多大（这里是将100个example放到一个batch中），nb_epoch等于20表示对每个batch重复20次

Keras、Tensorflow实战

数据集采用fashion_mnist数据集，不同于MNIST手写数据集，Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。

导入库

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np

下载fashion_mnist数据

1 2	fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels),(test_images, test_labels) = fashion_mnist.load_data()

构建网络

train_labels_onehot = tf.keras.utils.to_categorical(train_labels)    # 独热编码
test_labels_onehot = tf.keras.utils.to_categorical(test_labels)
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape = (28,28)))  #28*28
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

添加Dropout层可以抑制过拟合，但抑制过拟合最好的方法是：1.增加训练数据 2.减少网络容量

输出各层情况

1	model.summary()

配置训练方法时使用的优化器、损失函数以及评测标准

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss='categorical_crossentropy',  # 独热编码时使用categorical_crossentropy
              metrics=['acc']
)

训练模型

1 2	history = model.fit(train_images,train_labels_onehot,epochs=10, validation_data=(test_images,test_labels_onehot))

作图

1 2	history = model.fit(train_images,train_labels_onehot,epochs=10, validation_data=(test_images,test_labels_onehot))

1
2
3

plt.plot(history.epoch,history.history.get('acc'),label='acc')
plt.plot(history.epoch,history.history.get('val_acc'),label='val_acc')
plt.legend()