Keras的一些例子

以下例子均来源于Keras中文官网：对于用到的函数我们将直接在代码的注释中说明。对于涉及的知识点，将另外进行说明，主要是Dropout、SGD 、Epoch和Batch。

1. 对于具有2个类的单输入模型（二进制分类）：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation

'''
 对于具有2个类的单输入模型（二进制分类）：
'''
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(16, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 配置学习过程
# 优化器 optimizer。它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是 Optimizer 类的实例。
# 损失函数 loss，模型试图最小化的目标函数。
# 评估标准 metrics。对于任何分类问题，你都希望将其设置为 metrics = ['accuracy']。
# 评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。
model.compile(optimizer='rmsprop', loss="binary_crossentropy", metrics=['accuracy'])

# 生成数据
# np.random.random()：默认生成 0~1 之间的小数
# np.random.randint(low, high, size):默认high是None,如果只有low，
#                                   那范围就是[0,low)。如果有high，范围就是[low,high)。
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))   #此处为[0, low) 故只生成 0, 1
print(labels)
model.fit(data, labels, epochs=10, batch_size=32)

2. 对于具有10个类的单输入模型（多分类分类）

# 对于具有10个类的单输入模型（多分类分类）：
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# 生成虚拟数据
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# 将标签转换为分类的 one-hot 编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练模型，以 32 个样本为一个 batch 进行迭代
model.fit(data, one_hot_labels, epochs=70, batch_size=32)

3. 基于多层感知器（MLP:Multi-Layer Perceptron)的二分类

'''
基于多层感知器（MLP）的二分类：
'''
# 生成数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))

model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=100, batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

4. 基于多层感知器 (MLP) 的 softmax 多分类

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD

# 引入Tensorboard
from keras.callbacks import TensorBoard
from keras.utils import plot_model

import numpy as np

# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)

model = Sequential()

# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸：
# 在这里，是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

# 配置随机梯度下降
# lr: learning rate 学习率， decay:衰减， momentum:动量
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

# 开始训练
history = model.fit(x_train, y_train, epochs=120, batch_size=128)

score = model.evaluate(x_test, y_test, batch_size=128)

5. 类似 VGG 的卷积神经网络

import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.optimizers import SGD

# 生成虚拟数据
x_train = np.random.random((100, 100, 100, 3))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
x_test = np.random.random((20, 100, 100, 3))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)

# 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。
# 使用 32 个大小为 3x3 的卷积滤波器。
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

# Flatten层用来将输入“压平”，即把多维的输入一维化，
# 常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))

# 最后一层使用softmax作为激活函数
model.add(Dense(10, activation='softmax'))

# 自定义随机梯度下降
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)

model.fit(x_train, y_train, batch_size=32, epochs=10)