Keras 四步工作流程

Francois Chollet在他的“用 Python 深度学习”一书中概述了用Keras分4步开发神经网络的过程。 让我们用一个简单的例子来看一下这个过程。

Francois Chollet在他的“深度学习Python”一书中概述了与Keras开发神经网络的概述。 通过本书前面的一个简单的MNIST示例，Chollet将网络构建过程简化为与Keras直接相关的4个主要步骤。

这不是机器学习工作流程，也不是用深度学习解决问题的完整框架。 这4个步骤仅适用于整体神经网络机器学习工作流程中Keras发挥作用的部分。 这些步骤如下：

• 定义训练数据
• 定义神经网络模型
• 配置学习过程
• 训练模型

虽然Chollet然后花了他的书的其余部分充分说明了使用它的必要细节，让我们通过一个例子初步看看工作流程。

1.定义训练数据

第一步很简单：您必须定义输入和目标张量。 更加困难的数据相关方面 - 不属于Keras特定的工作流程 - 实际上是查找或策划，然后清理和预处理某些数据，这是任何机器学习任务的关注点。 这是模型的一个步骤，通常不涉及调整模型超参数。

虽然我们的设计示例随机生成一些要使用的数据，但它捕获了此步骤的单一方面：定义输入（X_train）和目标（y_train）张量。

# Define the training data
import numpy as np

X_train = np.random.random((5000, 32))
y_train = np.random.random((5000, 5))

Keras有两种定义神经网络的方法：Sequential模型类和Functional API。两者都有共同定义神经网络的目标，但采取不同的方法。

Sequential类用于定义网络层的线性堆栈，然后共同构成模型。在下面的示例中，我们将使用Sequential构造函数创建一个模型，然后使用add（）方法将图层添加到其中。

创建模型的另一种方法是通过Functional API。与Sequential模型限定仅由线性堆栈中的层构成的网络相反，Functional API提供了更复杂模型所需的灵活性。这种复杂性最好地体现在多输入模型，多输出模型和类图模型的定义的用例中。

我们的示例中的代码使用Sequential类。它首先调用构造函数，然后调用add（）方法将图层添加到模型中。第一个这样的调用添加了一个Dense类型的层（“只是你的常规密集连接的NN层”）。 Dense图层的输出大小为16，输入大小为INPUT_DIM，在我们的例子中为32（请查看上面的代码片段进行确认）。请注意，只有模型的第一层需要明确说明输入维度;以下层能够从先前的线性堆叠层推断出。按照标准做法，整流线性单元激活函数用于该层。

下一行代码定义了我们模型的下一个Dense层。请注意，此处未指定输入大小。但是，指定输出大小为5，这与我们的多类别分类问题中的假定类别数量相匹配（请再次检查上面的代码片段以确认）。由于这是我们用网络解决的多类分类问题，因此该层的激活功能设置为softmax。

# Define the neural network model
from keras import models
from keras import layers

INPUT_DIM = X_train.shape[1]

model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_dim=INPUT_DIM))
model.add(layers.Dense(5, activation='softmax'))

通过这几行，我们定义了Keras模型。 Sequential类的summary（）方法提供了对我们模型的以下见解：

3.配置学习过程

通过定义训练数据和定义模型，可以配置学习过程。 这是通过调用Sequential模型类的compile（）方法完成的。 编译需要3个参数：优化器，损失函数和度量列表。

在我们的示例中，设置为多类分类问题，我们将使用Adam优化器，分类的交叉熵损失函数，并且仅包括准确度度量。

# Configure the learning process
from keras import optimizers
from keras import metrics

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

通过使用这些参数调用compile（），我们的模型现在已经配置了学习过程。

4.训练模型

此时，我们有训练数据和完全配置的神经网络来训练所述数据。 剩下的就是将数据传递给模型以便开始训练过程，这个过程通过迭代训练数据来完成。 通过调用fit（）方法开始训练。

fit（）至少需要2个参数：输入和目标张量。 如果没有提供更多内容，则会执行一次训练数据迭代，这通常对您没有任何好处。 因此，在实际的最小范围内，更常规的是定义一对附加参数：batch_size和epochs。 我们的例子包括这4个参数。

请注意，epoch精度并不是特别令人钦佩，这对于使用的随机数据是有意义的。

希望通过使用库作者规定并在此概述的简单的4步骤流程，可以解释Keras用于解决普通旧分类问题的方式。

附录：完整代码

import numpy as np
from keras import models
from keras import layers
from keras import optimizers
from keras import metrics

X_train = np.random.random((5000, 32))
y_train = np.random.random((5000, 5))
INPUT_DIM = X_train.shape[1]
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_dim=INPUT_DIM))
model.add(layers.Dense(5, activation='softmax'))
model.compile(optimizer='adam', 
              loss='categorical_crossentropy', 
              metrics=['accuracy'])
model.fit(X_train, y_train, 
          batch_size=128, 
          epochs=10)

作者：Matthew Mayo 原文链接： https://www.kdnuggets.com/2018/06/keras-4-step-workflow.html

版权声明：作者保留权利，严禁修改，转载请注明原文链接。

数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习到有用知识。 平台的理念：人人投稿，知识共享；人人分析，洞见驱动；智慧聚合，普惠人人。 您在数据人网平台，可以1）学习数据知识；2）创建数据博客；3）认识数据朋友；4）寻找数据工作；5）找到其它与数据相关的干货。 我们努力坚持做原创，聚合和分享优质的省时的数据知识！ 我们都是数据人，数据是有价值的，坚定不移地实现从数据到商业价值的转换！