3.2 Keras简单入门
全书使用的代码示例采用Keras（https://keras.io）实现。Keras是一个Python编写的深度学习框架，提供方便的方式定义和训练几乎所有的深度学习模型。Keras原本是为研究者开发的，旨在加速试验。
Keras具有以下特色：
- 同一段代码可以在CPU或者GPU上无缝切换
- 用户友好的API使得创建深度学习模型的原型更简单
- 內建支持卷积神经网络（计算机视觉）、循环神经网络（序列处理），以及两者的任意组合
- 支持任意网络结构：多输入或者多输出模型，layer共享，模型共享，等等。这意味着Keras能构建任意深度学习模型，从对抗生成网络到图灵机。
Keras采用MIT license分发，意味着可以在商业项目中使用。截止到2017年中旬，Keras同时兼容Python 2.7到3.6版本。
Keras已有超过200,000个使用者，涵盖从学术研究到工业企业（包括创业公司和大型公司）。Google、Netflix、Uber、Yelp和成百上千的创业公司使用Keras解决各种问题。Keras也是机器学习竞赛网站Kaggle最流行的使用框架。
image
图 3.2 Google搜索中深度学习框架的关注度趋势
3.2.1 Keras、TensorFlow、Theano和CNTK
Keras提供high-level的开发深度学习模型的构建模块，其是model-level的库。Keras不能解决low-level的操作，比如张量操作和差分。Keras可以依赖指定的、经过优化的张量操作库作为其后端引擎（backend engine），而不是选择一个张量库去试图作为Keras的实现。Keras是以模块化的方式解决问题，见图3.3，不同的后端引擎能够为Keras进行无缝地扩展。当前已经存在三种后端引擎实现：TensorFlow后端引擎，Theano后端引擎，和CNTK后端引擎。将来可能会为Keras扩展更多的深度学习执行引擎。
image
图3.3 深度学习软件和硬件栈
TensorFlow、CNTK和Theano是当前主流的深度学习平台，其中Theano（http://deeplearning.net/software/theano）是蒙特利尔大学大学MILA实验室开发的，TensorFlow（www.tensorflow.org）由谷歌开发，CNTK（https://github.com/Microsoft/CNTK）由微软开发。用Keras编写的代码不用做任何改变即可在这些执行引擎上运行。在深度学习模型开发阶段，使用Keras可以在两种不同的执行引擎之间切换，比如，解决某种任务时，其中某个执行引擎执行会快。我们推荐使用TensorFlow作为深度学习模型的默认执行引擎，因为TensorFlow已经被广泛采纳、扩展，以及产品化。
通过TensorFlow（CNTK或者Theano），Keras能在CPU和GPU上无缝运行。TensorFlow封装low-level的Eigen（http://eigen.tuxfamily.org）张量操作库来运行CPU；封装经过优化的深度学习操作的库，即NVIDIA CUDA神经网络库（cuDNN），来运行GPU。
3.2.2 使用Keras开发：快速预览
你已经看过一个Keras模型的例子：MNIST数字识别的实例。典型的Keras工作流程就像如下的例子：
- 定义训练数据集：输入张量和目标张量
- 定义layer的网络（或者model）：将输入张量映射为目标张量
- 配置学习过程：选定损失函数、优化器和监控的一些指标
- 迭代训练数据：调用模型的fit()函数在训练数据集上迭代训练
有两种方式定义神经网络模型：使用Sequential类（专为layer的线性逐层连接的模型，截止目前大部分都是此类模型）或者使用函数式API（为有向无环图式layer连接的模型，可以构建任意形式的模型）。
对于新手来讲，下面的例子使用Sequential类定义两层layer的模型（注意，为第一个layer传入指定形状的输入数据）：
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))
接着用函数式API定义上述相同的模型：
input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor)
使用函数式API操作模型处理的数据张量，将layer应用于这些张量，就好像它们是函数一样使用。
备注：函数式API的详细使用教程将在第七章介绍。在第七章之前，代码例子会使用Sequential类创建模型。
一旦定义好了模型架构，使用Sequential模型还是函数式API模型都不重要。下面的步骤是相同的。
在编译步骤配置学习过程，指定使用模型的优化器和损失函数，选择训练的监控指标。下面的例子使用单个损失函数：
from keras import optimisers
model.compile(optimizer=optimizers.RMSprop(lr=0.001),
loss='use',
metrics=['accuracy'])
最后，为模型传入输入数据和相应的目标数据的Numpy数组，通过fit()函数进行学习过程：
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)
后面几个章节将会帮你建立坚实的直觉：哪类的问题适用哪种网络架构？如何选择正确的学习配置？如何调整模型直到得到想要的结果？下面将会在3.4，3.5和3.6小节介绍三个基本的例子：二分类，多分类和回归。
未完待续。。。
Enjoy!
翻译本书系列的初衷是，觉得其中把深度学习讲解的通俗易懂。不光有实例，也包含作者多年实践对深度学习概念、原理的深度理解。最后说不重要的一点，François Chollet是Keras作者。
声明本资料仅供个人学习交流、研究，禁止用于其他目的。如果喜欢，请购买英文原版。
侠天，专注于大数据、机器学习和数学相关的内容，并有个人公众号：bigdata_ny分享相关技术文章。
若发现以上文章有任何不妥，请联系我。
image
网友评论