让Keras更酷一些！Keras模型杂谈（二）

沿着之前的 《让Keras更酷一些！Keras模型杂谈》 ，让Keras来得更有趣些吧～

这次围绕着Keras的loss、metric、权重和进度条进行展开。

一般我们用Keras定义一个模型，是这样子的：

x_in = Input(shape=(784,))
x = x_in
x = Dense(100, activation='relu')(x)
x = Dense(10, activation='softmax')(x)

model = Model(x_in, x)
model.compile(loss='categorical_crossentropy ',
              optimizer='adam',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

这种模型就是普通的输入输出结构，然后loss是输出的运算。然而，对于比较复杂的模型，如自编码器、GAN、Seq2Seq，这种写法有时候不够方便，loss并不总只是输出的运算。幸好，比较新的Keras版本已经支持更加灵活的loss定义，比如我们可以这样写一个自编码器：

x_in = Input(shape=(784,))
x = x_in
x = Dense(100, activation='relu')(x)
x = Dense(784, activation='sigmoid')(x)

model = Model(x_in, x)
loss = K.mean((x - x_in)**2)
model.add_loss(loss)
model.compile(optimizer='adam')
model.fit(x_train, None, epochs=5)

上述写法的几个特点是：

1、 compile 的时候并没有传入loss，而是在 compile 之前通过另外的方式定义loss，然后通过 add_loss 加入到模型中，这样可以随意写足够灵活的loss，比如这个loss可以跟中间层的某个输出有关、跟输入有关，等等。

2、 fit 的时候，原来的目标数据，现在是 None ，因为这种方式已经把所有的输入输出都通过 Input 传递进来了。读者还可以看我之前写的 Seq2Seq ： 《玩转Keras之seq2seq自动生成标题》 ，在那个例子中，读者能更充分地感觉到这种写法的便捷性。

这里的metric，指的是衡量模型性能的一些指标，比如正确率、F1等，Keras内置了一些 常见的metric 。像开头例子的 accuracy 一样，将这些metric的名字加入到 model.compile 中，就可以在训练过程中动态地显示这些metric。

当然，你也可以参考Keras中内置的metric来自己定义新metric，但问题是在标准的metric定义方法中，metric是“输出层”与“目标值”之间的运算结果，而我们经常要在训练过程中观察一些特殊的量的变化过程，比如我想观察中间某一层的输出变化情况，这时候标准的metric定义就无法奏效了。

那可以怎么办呢？我们可以去看Keras的源码，去追溯它的metric相关的方法，最终我发现metric实际上定义在两个 list 之中，通过修改这两个 list ，我们可以非常灵活地显示需要观察的metric，比如

x_in = Input(shape=(784,))
x = x_in
x = Dense(100, activation='relu')(x)
x_h = x
x = Dense(10, activation='softmax')(x)

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

# 重点来了
model.metrics_names.append('x_h_norm')
model.metrics_tensors.append(K.mean(K.sum(x_h**2, 1)))

model.fit(x_train, y_train, epochs=5)

上述代码展示了在训练过程中观察中间层的平均模长的变化情况。可以看到，主要涉及到两个 list ： model.metrics_names 是metric的名称，是字符串列表； model.metrics_tensors 是metric的张量。只要在这里把你需要展示的量添加进去，就可以在训练过程中显示了。当然，要注意的是，一次性只能添加一个标量。

有时候我们需要把权重做一些约束，常见的是归一化，如L2范数归一化、谱归一化等，当然也可以是其他约束。

权重约束的实现方法一般有两种。第一种是事后处理，即在每一步梯度下降之后直接对权重进行硬处理，即

\begin{equation}\begin{aligned}&\boldsymbol{\theta} \leftarrow \boldsymbol{\theta} - \nabla_{\boldsymbol{\theta}}L(\boldsymbol{\theta})\\

&\boldsymbol{\theta}\leftarrow constraint(\boldsymbol{\theta})\end{aligned}\end{equation}

显然，这种处理方法是要被写在优化器的实现中的。而事实上Keras内置的就是这一种，使用方法很简单，只需要在添加层的时候，设置 kernel_constraint 或 bias_constraint 参数即可，详细请参考： https://keras.io/constraints/ 。

第二种是事前处理，我们希望对权重处理后，才代入后续的层进行运算，也就是说把约束作为模型的一部分，而不是作为优化器的一部分。Keras本身不提供这种方案的支持，但我们可以自行实现这个需求。

这时候Keras设计的精妙之处就充分体现出来了。在建立一个层对象的时候，Keras将它分为两个步骤： build 和 call ，前者负责建立权重，后者负责进行运算。默认情况下，这两个部分是同时执行的，但是我们可以“移花接木”，让我们手动分步执行。

下面是利用这个思路实现的 谱归一化（Spectral Normalization） ：

class SpectralNormalization:
    """层的一个包装，用来加上SN。
    """

    def __init__(self, layer, **kwargs):
        self.layer = layer

    def spectral_norm(self, w, r=5):
        w_shape = K.int_shape(w)
        in_dim = np.prod(w_shape[:-1]).astype(int)
        out_dim = w_shape[-1]
        w = K.reshape(w, (in_dim, out_dim))
        u = K.ones((1, in_dim))
        for i in range(r):
            v = K.l2_normalize(K.dot(u, w))
            u = K.l2_normalize(K.dot(v, K.transpose(w)))
        return K.sum(K.dot(K.dot(u, w), K.transpose(v)))

    def spectral_normalization(self, w):
        return w / self.spectral_norm(w)

    def __call__(self, inputs):
        if not self.layer.built:
            input_shape = K.int_shape(inputs)
            self.layer.build(input_shape)
            self.layer.built = True
        if not hasattr(self.layer, 'spectral_normalization'):
            if hasattr(self.layer, 'kernel'):
                self.layer.kernel = self.spectral_normalization(self.layer.kernel)
            if hasattr(self.layer, 'gamma'):
                self.layer.gamma = self.spectral_normalization(self.layer.gamma)
            self.layer.spectral_normalization = True
        return self.layer(inputs)

使用方法为

x = SpectralNormalization(Dense(100, activation='relu'))(x)

也就是定义完层之后加个 SpectralNormalization 修改一下就行了。至于原理，我们只需要观察 __call__ 部分，首先新建立的层是 built=False 的，然后我们自己手动执行 build 方法，然后对原来的权重进行归一化，并赋值覆盖原来的权重，即 self.layer.kernel = self.spectral_normalization(self.layer.kernel) 这一句。

调用Keras的进度条

最后提一个比较有趣的玩意，就是Keras自带的进度条，早期就是Keras这个自带的进度条吸引了不少新用户。当然，现在来说进度条已经不是什么新鲜玩意了，Python下有很好用的进度条工具tqdm，很久之前就介绍过它： 《两个惊艳的 python 库：tqdm和retry》 。

当然，如果你更喜欢Keras进度条的样式，或者不想另外安装tqdm，那么也可以在自己的设计中调用Keras的进度条：

import time
from keras.utils import Progbar

pbar = Progbar(100)
for i in range(100):
    pbar.update(i + 1)
    time.sleep(0.1)

它会显示进度和剩余时间，如果要在进度条上更多内容，可以在 update 的时候增加 value 参数，比如

import time
from keras.utils import Progbar

pbar = Progbar(100)
for i in range(100):
    pbar.update(i + 1, values=[('something', i - 10)])
    time.sleep(0.1)

不过要注意的是，这里的value是会滑动平均的，因为这是Keras为metric设计的而已，如果你不想它滑动更新，那就

import time
from keras.utils import Progbar

pbar = Progbar(100, stateful_metrics=['something'])
for i in range(100):
    pbar.update(i + 1, values=[('something', i - 10)])
    time.sleep(0.1)

更多使用参数可以参考 这里 。总的来说，功能远不如tqdm强，但是作为一个精致的工具，偶尔使用一下，还是个不错的选择。

又分享了一些花式Keras技巧，希望对大家有帮助。灵活地用好Keras是一件颇有趣味的事情，Keras也许不是最好的深度学习框架，但应该是最优雅的框架（封装），而且很可能没有之一。

DL苦短，我用Keras～

转载到请包括本文地址： https://kexue.fm/archives/6311