?

Keras是Python中以CNTK、Tensorflow或者Theano為計算后臺的一個深度學習建模環境。相對于其他深度學習的計算軟件，如：Tensorflow、Theano、Caffe等，Keras在實際應用中有一些顯著的優點，其中最主要的優點就是Keras已經高度模塊化了，支持現有的常見模型（CNN、RNN等），更重要的是建模過程相當方便快速，加快了開發速度。

?

?

1.核心層（各層函數只介紹一些常用參數，詳細參數介紹可查閱Keras文檔）

1.1全連接層：神經網絡中最常用到的，實現對神經網絡里的神經元激活。

Dense（units, activation=’relu’, use_bias=True）

參數說明：

units: 全連接層輸出的維度，即下一層神經元的個數。

activation：激活函數，默認使用Relu。

use_bias：是否使用bias偏置項。

?

1.2激活層：對上一層的輸出應用激活函數。

Activation(activation)

參數說明：

Activation：想要使用的激活函數，如：’relu’、’tanh’、‘sigmoid’等。

?

1.3Dropout層：對上一層的神經元隨機選取一定比例的失活，不更新，但是權重仍然保留，防止過擬合。

Dropout(rate)

參數說明:

rate：失活的比例，0-1的浮點數。

?

1.4Flatten層：將一個維度大于或等于3的高維矩陣，“壓扁”為一個二維矩陣。即保留第一個維度（如：batch的個數），然后將剩下維度的值相乘作為“壓扁”矩陣的第二個維度。

Flatten()

?

1.5Reshape層：該層的作用和reshape一樣，就是將輸入的維度重構成特定的shape。

Reshape(target_shape)

參數說明：

target_shape：目標矩陣的維度，不包含batch樣本數。

如我們想要一個9個元素的輸入向量重構成一個(None, 3, 3)的二維矩陣：

Reshape((3,3), input_length=(16, ))

?

1.6卷積層：卷積操作分為一維、二維、三維，分別為Conv1D、Conv2D、Conv3D。一維卷積主要應用于以時間序列數據或文本數據，二維卷積通常應用于圖像數據。由于這三種的使用和參數都基本相同，所以主要以處理圖像數據的Conv2D進行說明。

Conv2D(filters, kernel_size, strides=(1, 1), padding=’valid’)

參數說明：

filters：卷積核的個數。

kernel_size：卷積核的大小。

strdes：步長，二維中默認為(1, 1)，一維默認為1。

Padding：補“0”策略，’valid‘指卷積后的大小與原來的大小可以不同，’same‘則卷積后大小與原來大小一致。

?

1.7池化層：與卷積層一樣，最大統計量池化和平均統計量池化也有三種，分別為MaxPooling1D、MaxPooling2D、MaxPooling3D和AveragePooling1D、AveragePooling2D、AveragePooling3D，由于使用和參數基本相同，所以主要以MaxPooling2D進行說明。

MaxPooling(pool_size=(2,2), strides=None, padding=’valid’)

參數說明：

pool_size：長度為2的整數tuple，表示在橫向和縱向的下采樣樣子，一維則為縱向的下采樣因子。

padding：和卷積層的padding一樣。

?

1.8循環層：循環神經網絡中的RNN、LSTM和GRU都繼承本層，所以該父類的參數同樣使用于對應的子類SimpleRNN、LSTM和GRU。

Recurrent(return_sequences=False)

return_sequences：控制返回的類型，“False”返回輸出序列的最后一個輸出，“True”則返回整個序列。當我們要搭建多層神經網絡（如深層LSTM）時，若不是最后一層，則需要將該參數設為True。

?

1.9嵌入層：該層只能用在模型的第一層，是將所有索引標號的稀疏矩陣映射到致密的低維矩陣。如我們對文本數據進行處理時，我們對每個詞編號后，我們希望將詞編號變成詞向量就可以使用嵌入層。

Embedding(input_dim, output_dim, input_length)

參數說明：

Input_dim：大于或等于0的整數，字典的長度即輸入數據的個數。

output_dim：輸出的維度，如詞向量的維度。

input_length：當輸入序列的長度為固定時為該長度，然后要在該層后加上Flatten層，然后再加上Dense層，則必須指定該參數，否則Dense層無法自動推斷輸出的維度。

該層可能有點費解，舉個例子，當我們有一個文本，該文本有100句話，我們已經通過一系列操作，使得文本變成一個(100,32)矩陣，每行代表一句話，每個元素代表一個詞，我們希望將該詞變為64維的詞向量：

Embedding(100, 64, input_length=32)

則輸出的矩陣的shape變為(100, 32, 64)：即每個詞已經變成一個64維的詞向量。

?

2.Keras模型搭建

講完了一些常用層的語法后，通過模型搭建來說明Keras的方便性。Keras中設定了兩類深度學習的模型，一類是序列模型（Sequential類）；一類是通用模型（Model類），接下來我們通過搭建下圖模型進行講解。

假設我們有一個兩層神經網絡，其中輸入層為784個神經元，隱藏層為32個神經元，輸出層為10個神經元，隱藏層使用relu激活函數，輸出層使用softmax激活函數。分別使用序列模型和通用模型實現如下：

?

?

下圖是通用模型實現。?

?

使用通用模型，首先要使用Input函數將輸入轉化為一個tensor，然后將每一層用變量存儲后，作為下一層的參數，最后使用Model類將輸入和輸出作為參數即可搭建模型。

從以上兩類模型的簡單搭建，都可以發現Keras在搭建模型比起Tensorflow等簡單太多了，如Tensorflow需要定義每一層的權重矩陣，輸入用占位符等，這些在Keras中都不需要，我們只要在第一層定義輸入維度，其他層定義輸出維度就可以搭建起模型，通俗易懂，方便高效，這是Keras的一個顯著的優勢。

3.模型優化和訓練

3.1compile(optimizer, loss, metrics=None)

參數說明：

optimizer：優化器，如：’SGD‘，’Adam‘等。

loss：定義模型的損失函數，如：’mse’，’mae‘等。

metric：模型的評價指標，如：’accuracy‘等。

?

3.2fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, validation_split=0.0)

參數說明：

x：輸入數據。

y：標簽。

batch_size：梯度下降時每個batch包含的樣本數。

epochs：整數，所有樣本的訓練次數。

verbose：日志顯示，0為不顯示，1為顯示進度條記錄，2為每個epochs輸出一行記錄。

validation_split：0-1的浮點數，切割輸入數據的一定比例作為驗證集。

?

import numpy as np import tensorflow as tf from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers.convolutional import Conv2D, MaxPooling2D # 獲得MNIST數據集 (X_train, y_train), (X_test, y_test) = mnist.load_data() #print(X_train[0].shape) #print(y_train[0]) X_train = X_train.reshape(X_train.shape[0], 28, 28, 1).astype('float32') X_test = X_test.reshape(X_test.shape[0], 28, 28, 1).astype('float32') # 歸一化 X_train /= 255 X_test /= 255# 獨熱編碼 def tran_y(y):y_ohe = np.zeros(10)y_ohe[y] = 1return y_ohe# 把標簽進行獨熱編碼 y_train_ohe = np.array([tran_y(y_train[i]) for i in range(len(y_train))]) y_test_ohe = np.array([tran_y(y_test[i]) for i in range(len(y_test))]) print(X_train.shape) # 創建序列模型 model = Sequential() # 添加卷積層，64個濾波器，卷積核大小3x3，平移步長1，填充方式：補零，設定輸入層維度，激活函數relu model.add(Conv2D(filters=64, kernel_size=(5, 5), strides=(1, 1), padding='same', input_shape=(28, 28, 1), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) # 池化層，取2x2格子中的最大值 model.add(Dropout(0.5)) # dropout層，概率0.5，防止過擬合，提高泛化能力 model.add(Conv2D(128, kernel_size=(3, 3), strides=(1, 1), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.5)) model.add(Conv2D(256, kernel_size=(3, 3), strides=(1, 1), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.5)) # 把當前層節點展平 model.add(Flatten()) # 添加全連接層 model.add(Dense(128, activation='relu')) model.add(Dense(64, activation='relu')) model.add(Dense(32, activation='relu')) model.add(Dense(10, activation='softmax')) # 10個神經元，對應輸出層 # 編譯模型，指定損失函數（一般分類問題的損失函數都采用交叉熵），優化器，度量 model.compile(loss='categorical_crossentropy', optimizer= 'rmsprop', metrics=['accuracy']) # 放入批量樣本進行，訓練模型 model.fit(X_train, y_train_ohe, validation_data=(X_test, y_test_ohe), epochs=20, batch_size=128) # 在測試集上評估模型的準確度 scores = model.evaluate(X_test, y_test_ohe, verbose=0)

參考資料：http://www.tensorflownews.com/2018/03/15/使用keras進行深度學習%ef%bc%9a%ef%bc%88一%ef%bc%89keras-入門/

總結

以上是生活随笔為你收集整理的keras入门之手写字识别python代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。