導讀：Keras是目前深度學習研究領域非常流行的框架。

作者：史丹青

來源：大數據DT（ID：hzdashuju）

01?Keras簡介與安裝

Keras是目前深度學習研究領域非常流行的框架，相比于TensorFlow，Keras是一種更高層次的深度學習API。

Keras使用Python編寫而成，包含了大量模塊化的接口，有很多常用模型僅需幾行代碼即可完成，大大提高了深度學習的科研效率。它是一個高級接口，后端可支持TensorFlow、Theano、CNTK等多種深度學習基礎框架，默認為TensorFlow，其他需要單獨設置。

目前，谷歌已經將Keras庫移植到TensorFlow中，也讓Keras成了TensorFlow中的高級API模塊。

Keras具備了三個核心特點：

• 允許研究人員快速搭建原型設計。

• 支持深度學習中最流行的卷積神經網絡與循環神經網絡，以及它們兩者的組合。

• 可以在CPU與GPU上無縫運行。

Keras的口號是“為人類服務的深度學習”，在整體的設計上堅持對開發者友好，在API的設計上簡單可讀，將用戶體驗放在首位，希望研發人員可以以盡可能低的學習成本來投入深度學習的開發中。

Keras的API設計是模塊化的，用戶可以基于自己設想的模型對已有模塊進行組裝，其中如神經網絡層、損失函數、優化器、激活函數等都可以作為模塊組合成新的模型。與此同時，Keras的擴展性非常強大，用戶可以輕松創建新模塊用于科學研究。

目前最簡單的引入Keras的方法就是直接使用最新版本的TensorFlow，可以通過以下引入方式在代碼中使用Keras。

from?tensorflow?import?keras

此外，Keras具有一個非常活躍的開發者社區，每天都會有大量的開源代碼貢獻者為Keras提供各種各樣的功能。其中Keras-contrib是一個官方的Keras社區擴展版本，包含了很多社區開發者提供的新功能，為Keras的用戶提供了更多選擇。

Keras-contrib的新功能通過審核后都會整合到Keras核心項目中，如果現在就想在項目中使用，需要單獨安裝，同樣，可以使用pip工具直接安裝。

$?sudo?pip?install?git+https://www.github.com/keras-team/keras-contrib.git

隨著Karas加入TensorFlow，為了更好地進行代碼上的整合，Keras-contrib項目被整合進了TensorFlow Addons。

TensorFlow Addons是一個針對TensorFlow核心庫功能的補充，集成了社區最新的一系列方法。由于AI領域發展的速度快，一些最新的算法無法立刻移植到TensorFlow核心庫中，所以會優先在TensorFlow Addons中進行發布。

可以使用pip的方式方便地安裝TensorFlow Addons，從而使用一些高級的API接口。

$?pip?install?tensorflow-addons

02 Keras使用入門

Keras包含兩種模型類型，第一種是序列模型，第二種是函數式模型。其中后者屬于Keras的進階型模型結構，適用于多入多出、有向無環圖或具備共享層的模型，具體可參考Keras官方文檔。本節中主要通過介紹序列模型來帶讀者學習Keras的使用方法。

所謂序列模型是指多個網絡層線性堆疊的模型，結構如下列代碼所示，該序列模型包含了一個784×32的全連接層、ReLU激活函數、32×10的全連接層以及softmax激活函數。

from?tensorflow.keras.models?import?Sequential from?tensorflow.keras.layers?import?Dense,?Activationmodel?=?Sequential([ Dense(32,?input_shape=(784,)), Activation('relu'), Dense(10), Activation('softmax'), ])

也可以使用add() 方法進行序列模型中網絡層的添加。

model?=?Sequential() model.add(Dense(32,input_dim=784)) model.add(Activation('relu'))

下面我們來看一個用Keras實現的神經網絡二分類示例，網絡結構非常簡單，由兩個全連接層構成。示例中包含了網絡模型的搭建、模型的編譯以及訓練，讀者可以在自己的設備上嘗試運行此代碼以熟悉Keras的使用。

import?numpy?as?np from?tensorflow.keras.models?import?Sequential? from?tensorflow.keras.layers?import?Dense data?=?np.random.random((1000,100)) labels?=?np.random.randint(2,size=(1000,1)) model?=?Sequential() model.add(Dense(32,activation='relu',?input_dim=100)) model.add(Dense(1,?activation='sigmoid')) model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy']) model.fit(data,labels,epochs=10,batch_size=32) predictions?=?model.predict(data)

下面我們根據Keras官網的示例來嘗試搭建一個類似VGG網絡的卷積神經網絡模型。首先引入需要使用的模塊，其中包括Keras庫中的全連接層、卷積層等。

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

為了實現模型，我們需要先準備一些訓練和測試數據，這里使用隨機方法進行數據的準備。

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)

整體上可以按照VGG的結構來搭建整個網絡，包括疊加卷積層、池化層、Dropout層、Max Pooling層、全連接網絡層等。

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)) model.add(Flatten()) model.add(Dense(256,?activation='relu')) model.add(Dropout(0.5)) model.add(Dense(10,?activation='softmax'))

最后我們進行模型的優化設置以及對模型進行編譯，并可以在訓練數據上進行學習。

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) score?=?model.evaluate(x_test,?y_test,?batch_size=32)

同樣地，我們也可以使用Keras 的序列模型實現基于LSTM 的循環神經網絡模型。

from?tensorflow.keras.models?import?Sequential? from?tensorflow.keras.layers?import?Dense,Embedding,LSTMmodel?=?Sequential() model.add(Embedding(20000,128)) model.add(LSTM(128,dropout=0.2,recurrent_dropout=0.2)) model.add(Dense(1,activation='sigmoid'))

下面則是對于該循環神經網絡模型的編譯與訓練，同時最終評估了訓練模型的效果。

model.compile(loss='binary_crossentropy',?optimizer='adam',?metrics= ['accuracy']) model.fit(x_train,?y_train,?batch_size=32,?epochs=15,?verbose=1,?validation_data= (x_test,y_test)) score?=?model.evaluate(x_test,?y_test,?batch_size=32)

最終我們可以將模型保存到本地的model文件夾路徑下。

model.save('./model')

當在業務中需要使用對應模型時，只需要使用加載模型的方法從model 路徑中進行模型的加載即可。

from?tensorflow.keras.models?import?load_model my_model?=?load_model('./model')

通過這幾個示例我們會發現，使用Keras 來實現那些復雜的深度學習網絡像是搭建積木一樣，把一些非常復雜的工作簡單化了。在下一節中，會通過一個簡明的案例帶領大家了解如何使用Keras解決實際的應用問題。

03 Keras實例：文本情感分析

本小節中我們通過學習Keras官方的一個實例來熟悉一下Keras的使用方法。

參考鏈接：

https://github.com/keras-team/keras/blob/master/examples/imdb_lstm.py

情感分析是自然語言處理領域的研究熱點，也是一項非常實用的技術，可以利用這項技術來分析用戶在互聯網上的觀點和態度，同時也可以分析企業或商品在互聯網上的口碑。

在深度學習中，循環神經網絡（RNN）是處理像文本這樣的序列模型的最好方式，但傳統的RNN存在的問題是，當序列變長后，RNN無法記住之前的重要信息，并且會存在梯度消失的問題。為了解決上述問題，研究者提出了一種長短期記憶網絡（LSTM），這也是目前業內處理文本序列非常流行的一種模型（見圖2-14）。

▲圖2-14 LSTM網絡結構示意圖

Keras官方已經為大家準備好了LSTM模型的API，并且提供了IMDB電影評論數據集，其中包含了評論內容和打分。下面讓我們來看如何使用Keras來解決情感分析的問題。首先引入所有需要的模塊。

from?__future__?import?print_function from?tensorflow.keras.preprocessing?import?sequence from?tensorflow.keras.models?import?Sequential from?tensorflow.keras.layers?import?Dense,?Embedding,?LSTM from?tensorflow.keras.datasets?import?imdb

準備好數據，選擇最常用的20000個詞作為特征數據，并將數據分為訓練集和測試集。對于文本數據，這里需要進行長度統一，設置最大長度為80個詞，如果超過則截斷，不足則補零。

max_features?=?20000 maxlen?=?80 batch_size?=?32(x_train,?y_train),?(x_test,?y_test)?=?imdb.load_data(num_words=max_features) x_train?=?sequence.pad_sequences(x_train,?maxlen=maxlen) x_test?=?sequence.pad_sequences(x_test,?maxlen=maxlen)

數據處理完成后就可以搭建模型了。首先使用嵌入層作為模型的第一層，將輸入的20000維的文字向量轉換為128維的稠密向量。接著就是利用LSTM模型進行文本序列的深度學習訓練。最終使用全連接層加上Sigmoid激活函數作為最終的判斷輸出。搭建完畢后還需要為模型設置編譯的損失函數和優化器。

model?=?Sequential() model.add(Embedding(max_features,?128)) model.add(LSTM(128,?dropout=0.2,?recurrent_dropout=0.2)) model.add(Dense(1,?activation='sigmoid'))model.compile(loss='binary_crossentropy',optimizer='adam', metrics=['accuracy'])

然后就可以訓練和評估情感分析的模型了。在Keras幫助下，通過簡單的幾步就可以完成基于深度學習的文本情感分析的任務。

model.fit(x_train,?y_train, batch_size=batch_size, epochs=15, validation_data=(x_test,?y_test)) score,?acc?=?model.evaluate(x_test,?y_test, batch_size=batch_size) print('Test?score:',?score) print('Test?accuracy:',?acc)

在使用Keras框架訓練完模型以后，可以通過Keras的save方法將模型保存下來。為了能夠更好地讓機器學習投入真實世界的應用中去，我們可以為模型封裝一個外部的應用程序。在互聯網時代，使用網絡接入AI模型是對于用戶來說成本最低的方式。

為此我們可以搭建一個基于Web的AI應用程序，將模型投入生產環境中為互聯網用戶提供即時的網頁服務。

在Python中常用的Web編程框架是Flask，它是一個非常流行的Python服務端程序框架，相比于在Python領域非常流行的Django，它的特點在于更為精簡，去除了一些封裝好的服務，只保留了最基本的服務器程序，而其余的擴展可以通過用戶自己添加第三方包實現。?

關于作者：史丹青，語憶科技聯合創始人兼技術負責人，畢業于同濟大學電子信息工程系。擁有多年時間的AI領域創業與實戰經驗，具備深度學習、自然語言處理以及數據可視化等相關知識與技能。是AI技術的愛好者，并擁抱一切新興科技，始終堅信技術分享和開源精神的力量。

本文摘編自《生成對抗網絡入門指南》（第2版），經出版方授權發布。

延伸閱讀《生成對抗網絡入門指南》（第2版）

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：揭秘AI如何生成逼真人臉圖像，追蹤GAN前沿技術更新。

劃重點👇

干貨直達👇

• 安全工程師最詳細學習和職業規劃路線（書籍推薦和導圖下載）
  

• 元宇宙火了！終于有人把虛擬現實（AR/VR/MR）講明白了
  

• 什么是物聯網？有哪些應用？終于有人講明白了

• 終于有人把云原生講明白了

更多精彩👇

在公眾號對話框輸入以下關鍵詞

查看更多優質內容！

讀書?|?書單?|?干貨?|?講明白?|?神操作?|?手把手

大數據?|?云計算?|?數據庫?|?Python?|?爬蟲?|?可視化

AI?|?人工智能?|?機器學習?|?深度學習?|?NLP

5G?|?中臺?|?用戶畫像?|?數學?|?算法?|?數字孿生

據統計，99%的大咖都關注了這個公眾號

👇

總結

以上是生活随笔為你收集整理的Keras入门必读教程：手把手从安装到解决实际问题的全部內容，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。