教程 | Tensorflow keras 极简神经网络构建与使用

Tensorflow keras极简神经网络构建教程

Keras介绍
Keras (κέρας) 在希腊语中意为号角，它来自古希腊和拉丁文学中的一个文学形象。发布于2015年，是一套高级API框架，其默认的backend是tensorflow，但是可以支持CNTK、Theano、MXNet作为backend运行。其特点是语法简单，容易上手，提供了大量的实验数据接口与预训练网络接口，最初是谷歌的一位工程师开发的，非常适合快速开发。Tensorflow虽然是非常流行的深度学习框架，但是tensorflow开发需要了解计算图与自动微分相关技术，对于完全没有任何深度学习基础的人不是一个很好的选择，而keras完全是为零基础的人准备，它简化了tensorflow中计算图、会话等基本概念，通过Sequential与功能API两个组件实现网络搭建，通过简单的添加一些层就可以快速搭建神经网络模型。

Mnist数据集准备
我们以mnist数据集为例，构建一个神经网络实现手写数字的训练与测试，首先我们需要认识一下mnist数据集，mnist数据集有6万张手写图像，1万张测试图像。Keras通过datase来下载与使用mnist数据集，下载与读取的代码如下：

mnist = keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) =mnist.load_data()

通过下面的代码可以显示手写数字图像：

print(train_labels[0]) for i in range(25): plt.subplot(5,5,i+1) plt.xticks([]) plt.yticks([ ]) plt.grid(False) plt.imshow(train_images[i], cmap=plt.cm.gray) plt.xlabel(str(train_labels[i])) plt.show()

对数据re-scale到0～1.0之间，对标签进行了one-hot编码，代码如下：

# re-scale to 0~1.0之间 train_images = train_images / 255.0 test_images = test_images / 255.0 train_labels = one_hot(train_labels) test_labels = one_hot(test_labels)

其中one-hot编码函数如下：

def one_hot(labels): onehot_labels = np.zeros(shape=[len(labels), 10]) for i in range(len(labels)): index = labels[i] onehot_labels[i][index] = 1 return onehot_labels

建立模型
构建神经网络

输入层为28x28=784个输入节点

隐藏层120个节点

输出层10个节点

首先需要定义模型：

model = keras.Sequential()

然后按顺序添加模型各层

model.add(keras.layers.Flatten(input_shape=(28, 28))) model.add(keras.layers.Dense(units=120, activation=tf.nn.relu)) model.add(keras.layers.Dense(units=10, activation=tf.nn.softmax))

编译模型
模型还需要再进行几项设置才可以开始训练。这些设置会添加到模型的编译步骤：

损失函数
衡量模型在训练期间的准确率。我们希望尽可能缩小该函数，以“引导”模型朝着正确的方向优化。
优化器
根据模型看到的数据及其损失函数更新模型的方式。
指标
用于监控训练和测试步骤。以下示例使用准确率，即图像被正确分类的比例

model.compile(optimizer=tf.train.AdamOptimizer(), loss="categorical_crossentropy", metrics=['accuracy'])

训练模型
训练神经网络模型需要执行以下步骤：
将训练数据馈送到模型中，在本示例中为 train_images 和 train_labels 数组。
模型学习将图像与标签相关联。我们要求模型对测试集进行预测，在本示例中为 test_images 数组。我们会验证预测结果是否与 test_labels 数组中的标签一致。
要开始训练，请调用 model.fit 方法，使模型与训练数据“拟合”：

model.fit(x=train_images, y=train_labels, epochs=5)

评估模型
模型在测试集数据上运行：

test_loss, test_acc = model.evaluate(x=test_images, y=test_labels) print("Test Accuracy %.2f"% test_acc)

使用模型进行预测

# 开始预测 cnt = 0 predictions = model.predict(test_images) for i in range(len(test_images)): target = np.argmax(predictions[i]) label = np.argmax(test_labels[i]) if target == label: cnt += 1 print("correct prediction of total : %.2f"%(cnt/len(test_images)))

卷积神经网络
mnist数据转换为四维

train_images = np.expand_dims(train_images, axis=3) test_images = np.expand_dims(test_images, axis=3)

创建模型并构建CNN各层

model = keras.Sequential() model.add(keras.layers.Conv2D(filters=32, kernel_size=5, strides=(1, 1), padding='same', activation=tf.nn.relu, input_shape=(28, 28, 1))) model.add(keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='valid')) model.add(keras.layers.Conv2D(filters=64, kernel_size=3, strides=(1, 1), padding='same', activation=tf.nn.relu)) model.add(keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='valid')) model.add(keras.layers.Dropout(0.25)) model.add(keras.layers.Flatten()) model.add(keras.layers.Dense(units=128, activation=tf.nn.relu)) model.add(keras.layers.Dropout(0.5)) model.add(keras.layers.Dense(units=10, activation=tf.nn.softmax))

编译与训练模型

# 训练模型 model.compile(optimizer=tf.train.AdamOptimizer(), loss="categorical_crossentropy", metrics=['accuracy']) model.fit(x=train_images, y=train_labels, epochs=10)

原文发布时间为：2018-12-9
本文作者： gloomyfish
本文来自云栖社区合作伙伴“ OpenCV学堂”，了解相关信息可以关注“CVSCHOOL”微信公众号