1. Keras简介

Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU。使用文档在这：http://keras.io/，这个框架貌似是刚刚火起来的，使用上的问题可以到github提issue:https://github.com/fchollet/keras

下面简单介绍一下怎么使用Keras，以Mnist数据库为例,编写一个CNN网络结构，你将会发现特别简单。

2. Keras里的模块介绍

• Optimizers

  顾名思义，Optimizers包含了一些优化的方法，比如最基本的随机梯度下降SGD,另外还有Adagrad、Adadelta、RMSprop、Adam，一些新的方法以后也会被不断添加进来。

  keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.9, nesterov=False)    
            
        1           
    
    </pre> 
  上面的代码是SGD的使用方法，lr表示学习速率,momentum表示动量项，decay是学习速率的衰减系数(每个epoch衰减一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。其他的请参考文档。 
    </li>  
    
  Objectives 
    
  这是目标函数模块，keras提供了mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy这几种目标函数。 
    
  这里binary_crossentropy 和 categorical_crossentropy也就是logloss 
    
    
    
  Activations 
    
  这是激活函数模块，keras提供了linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus，另外softmax也放在Activations模块里(我觉得放在layers模块里更合理些）。此外，像LeakyReLU和 PReLU这种比较新的激活函数，keras在keras.layers.advanced_activations模块里提供。 
    
    
    
  Initializations 
    
  这是参数初始化模块，在添加layer的时候调用init进行初始化。keras提供了uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal这几种。 
    
    
    
  layers 
    
  layers模块包含了core、convolutional、recurrent、advanced_activations、normalization、embeddings这几种layer。 
    
  其中core里面包含了flatten(CNN的全连接层之前需要把二维特征图flatten成为一维的)、reshape（CNN输入时将一维的向量弄成二维的）、dense(就是隐藏层，dense是稠密的意思),还有其他的就不介绍了。convolutional层基本就是Theano的 Convolution2D的封装。 
    
    
    
  Preprocessing 
    
  这是预处理模块，包括序列数据的处理，文本数据的处理，图像数据的处理。重点看一下图像数据的处理，keras提供了 ImageDataGenerator函数,实现data augmentation，数据集扩增，对图像做一些弹性变换，比如水平翻转，垂直翻转，旋转等。 
    
    
    
  Models 
    
  这是最主要的模块，模型。上面定义了各种基本组件，model是将它们组合起来，下面通过一个实例来说明。 
    
    </ul>  
  3.一个实例：用CNN分类Mnist 
    
    
    
  数据下载 
    
  Mnist数据在其官网上有提供，但是不是图像格式的，因为我们通常都是直接处理图像，为了以后程序能复用，我把它弄成图像格式的，这里可以下载：http://pan.baidu.com/s/1qCdS6，共有42000张图片。 
    
    
    
  读取图片数据 
    
  keras要求输入的数据格式是numpy.array类型（numpy是一个python的数值计算的库），所以需要写一个脚本来读入mnist图像，保存为一个四维的data，还有一个一维的label，代码： 
    
    
    
  #coding:utf-8  """  Author:wepon  Source:https://github.com/wepe  file:data.py  """    import os  from PIL import Image  import numpy as np    #读取文件夹mnist下的42000张图片，图片为灰度图，所以为1通道，  #如果是将彩色图作为输入,则将1替换为3,图像大小28*28  def load_data():      data = np.empty((42000,1,28,28),dtype="float32")      label = np.empty((42000,),dtype="uint8")        imgs = os.listdir("./mnist")      num = len(imgs)      for i in range(num):          img = Image.open("./mnist/"+imgs[i])          arr = np.asarray(img,dtype="float32")          data[i,:,:,:] = arr          label[i] = int(imgs[i].split('.')[0])      return data,label
  
    
    
    
  构建CNN，训练 
    
  短短二十多行代码，构建一个三个卷积层的CNN，直接读下面的代码吧，有注释，很容易读懂： 
    
    
    
  #导入各种用到的模块组件  from __future__ import absolute_import  from __future__ import print_function  from keras.preprocessing.image import ImageDataGenerator  from keras.models import Sequential  from keras.layers.core import Dense, Dropout, Activation, Flatten  from keras.layers.advanced_activations import PReLU  from keras.layers.convolutional import Convolution2D, MaxPooling2D  from keras.optimizers import SGD, Adadelta, Adagrad  from keras.utils import np_utils, generic_utils  from six.moves import range  from data import load_data    #加载数据  data, label = load_data()  print(data.shape[0], ' samples')    #label为0~9共10个类别，keras要求格式为binary class matrices,转化一下，直接调用keras提供的这个函数  label = np_utils.to_categorical(label, 10)    ###############  #开始建立CNN模型  ###############    #生成一个model  model = Sequential()    #第一个卷积层，4个卷积核，每个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。  #border_mode可以是valid或者full，具体看这里说明：http://deeplearning.net/software/theano/library/tensor/nnet/conv.html#theano.tensor.nnet.conv.conv2d  #激活函数用tanh  #你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))  model.add(Convolution2D(4, 1, 5, 5, border_mode='valid'))   model.add(Activation('tanh'))    #第二个卷积层，8个卷积核，每个卷积核大小3*3。4表示输入的特征图个数，等于上一层的卷积核个数  #激活函数用tanh  #采用maxpooling，poolsize为(2,2)  model.add(Convolution2D(8,4, 3, 3, border_mode='valid'))  model.add(Activation('tanh'))  model.add(MaxPooling2D(poolsize=(2, 2)))    #第三个卷积层，16个卷积核，每个卷积核大小3*3  #激活函数用tanh  #采用maxpooling，poolsize为(2,2)  model.add(Convolution2D(16, 8, 3, 3, border_mode='valid'))   model.add(Activation('tanh'))  model.add(MaxPooling2D(poolsize=(2, 2)))    #全连接层，先将前一层输出的二维特征图flatten为一维的。  #Dense就是隐藏层。16就是上一层输出的特征图个数。4是根据每个卷积层计算出来的：(28-5+1)得到24,(24-3+1)/2得到11，(11-3+1)/2得到4  #全连接有128个神经元节点,初始化方式为normal  model.add(Flatten())  model.add(Dense(16*4*4, 128, init='normal'))  model.add(Activation('tanh'))    #Softmax分类，输出是10类别  model.add(Dense(128, 10, init='normal'))  model.add(Activation('softmax'))    #############  #开始训练模型  ##############  #使用SGD + momentum  #model.compile里的参数loss就是损失函数(目标函数)  sgd = SGD(l2=0.0,lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)  model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")    #调用fit方法，就是一个训练过程. 训练的epoch数设为10，batch_size为100．  #数据经过随机打乱shuffle=True。verbose=1，训练过程中输出的信息，0、1、2三种方式都可以，无关紧要。show_accuracy=True，训练时每一个epoch都输出accuracy。  #validation_split=0.2，将20%的数据作为验证集。  model.fit(data, label, batch_size=100,nb_epoch=10,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)    #fit方法在达到设定的nb_epoch时结束，并且自动地保存了效果最好的model,之后你可以调用model.evaluate()方法对测试数据进行测试，  #还有model.predict_classes,model.predict_proba等方法,具体请看文档。
  
    
    
  代码使用与结果 
    
    
  代码放在我github的机器学习仓库里：https://github.com/wepe/MachineLearning,非github用户直接点右下的DownloadZip。 
    
  在/DeepLearning Tutorials/keras_usage目录下包括data.py,cnn.py两份代码，下载Mnist数据后解压到该目录下，运行cnn.py这份文件即可。 
    
  结果如下所示，在Epoch 9达到了0.98的训练集识别率和0.97的验证集识别率： 
    
   
    
    
  转载请注明出处：http://blog.csdn.net/u012162613/article/details/45397033