Keras例項教程 1

總的來說，使用keras構建神經網路的基本工作流程主要可以分為4個部分。而且這個用法和思路我個人感覺，很像是在使用scikit-learn中的機器學習方法

model definition → model compilation → training → evaluation and prediction

下面我們就通過乙個非常簡單的例子來一步一步地演示如果在keras中構建乙個簡單的用於回歸的神經網路。這個例子基本上跟文章【tensorflow簡明入門寶典】中最後給出的那個求解線性回歸的例子要做的事情是一致的。

首先，我們人為地造一組由 y = 0.5x + 2 加上一些雜訊而生成的資料，資料量一共有200個，其中前160作為train set，後40作為test set。

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-2, 6, 200)

np.random.shuffle(x)

y = 0.5 * x + 2 + 0.15 * np.random.randn(200,)

# plot data

plt.scatter(x, y)

plt.show()

x_train, y_train = x[:160], y[:160] # train first 160 data points

x_test, y_test = x[160:], y[160:] # test remaining 40 data points

可以用matplotlib中提供的方法來繪製一下資料的分布情況：

接下來，我們要執行構建模型的第一步，即model definition。這一步的作用就是定義nn中的層次結構。為此要引入兩個重要的類，sequential和dense。

from keras.models import sequential

from keras.layers import dense

其中sequential是keras中構建nn最常用的一種model（也是最簡單的一種），乙個sequential的model 就是 a linear stack of layers，也就是說，你只要按順序（使用add()方法）一層一層地順序地新增神經網路層就可以了。而dense表示全連線層，此時它需要接收兩個引數，即輸入的節點數及輸出的節點數，特別地，在一層一層地構建nn時，keras還可以根據上一層的輸出來推斷下一次的輸入，所以有些全連線層引數可以省略。

在這個簡單的例子中，我們的全連線層只有一層，而且輸入的節點數和輸出的節點數都為1，所以有：

model = sequential()

model.add(dense(output_dim = 1, input_dim = 1))

接下來執行構建模型的第一步，即model compilation。這一步是要指定模型中的loss function（在這例子中使用的是最小二乘誤差『mse』），優化器以及metrics等內容。優化器你可以使用系統提供的預設優化器，例如你可以像下面這樣用'sgd'表示隨機梯度下降。

model.compile(loss='mse', optimizer='sgd')

你可以可以像下面這樣自定義優化器中的引數：

from keras.optimizers import sgd

model.compile(loss='mse', optimizer=sgd(lr=0.01, momentum=0.9, nesterov=true))

然後來執行training的部分。在這一步你可以有兩個選擇。第一種直接使用fit，這個簡直和scikit-learn中的感覺像極了！你只要在fit方法的引數列表中指定訓練資料（特徵向量和label）、訓練的次數和用來做梯度下降的batch size就可以了。

model.fit(x_train, y_train, epochs=100, batch_size=64)

另外乙個選擇是你也可以採用下面的語法來feed batches to your model manually：

model.train_on_batch(x_batch, y_batch)

例如在本例中你可以把訓練部分寫成下面這種形式，其中每20步，我們會輸出一次cost。

print('training -----------')

for step in range(100):

cost = model.train_on_batch(x_train, y_train)

if step % 20 == 0:

print('train cost: ', cost)

我的程式輸出結果如下（注意由於存在各種隨機性，每次的輸出未必完全一致）：

training -----------

train cost: 0.0290748

train cost: 0.0276375

train cost: 0.026696

train cost: 0.0260792

train cost: 0.0256752

最後，終於可以進入evaluation and prediction的部分了。對於之前預留的測試集來說，你可以使用：

cost = model.evaluate(x_test, y_test, batch_size=40)

具體來說針對我們現在這個例子則有：

print('\ntesting ------------')

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=40)

print('test cost:', cost)

w, b = model.layers[0].get_weights()

print('weights=', w, '\nbiases=', b)

我的程式輸出結果如下：

testing ------------

40/40 [******************************] - 0s

test cost: 0.0254213

weights= [[ 0.50829154]]

biases= [ 1.9707619]

對一些新的資料來進行**，那麼你可以使用predict，而且它的使用也與scikit-learn中的用法及其相似，最終我們**test set中每個的點，並繪製**的模型。

y_pred = model.predict(x_test)

plt.scatter(x_test, y_test)

plt.plot(x_test, y_pred)

plt.show()

輸出之圖形如下：

最後，我個人認為是入門keras的乙個非常好的talk。另外，本文的jupyter notebook檔案，你可以從下面的鏈結中獲取到。

（需要自備梯子）

Keras例項教程 1

awk例項教程

CSS reflow例項教程

php小偷例項教程

Keras例項教程 1

awk例項教程

CSS reflow例項教程

php小偷例項教程

相關推薦