零、导入

1.导入 Keras 库，并打印版本信息

import keras
print(keras.__version__)

一、一个简单的例子

使用MLP模型实现手写数字图像MNIST的分类

1.1 选择模型

2.初始化一个顺序模型(Sequential)

model = Sequential()

1.2 构建网络

3.为model加入一个784输入，784个输出的隐藏层，激活函数使用relu

model.add(Dense(units=784, activation='relu', input_dim=784))

4.在之前的基础上为model加入10个输出的输出层，激活函数使用softmax

model.add(Dense(units=10, activation='softmax'))

5.通过.summary()查看模型参数情况

model.summary()

1.3 编译模型

6.使用.compile() 来配置学习过程，代价函数loss使用categorical_crossentropy，优化算法optimizer使用sgd，性能的指标使用accuracy

model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])

1.4 训练

读入数据（略）

7.将y值进行one-hot编码

y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

8.将数据送入模型训练

model.fit(x_train, y_train, epochs=5, batch_size=32)

9.评估模型性能

score = model.evaluate(x_test, y_test, batch_size=128)
print("loss:",score[0])
print("accu:",score[1])

1.5 预测

10.使用模型进行预测

model.predict_classes(x_test, batch_size=128)

二、稍微复杂的顺序模型

使用LeNet5实现CIFAR10数据集的分类

2.1 选择模型

11.新建一个顺序模型

model = Sequential()

2.2 构建网络

12.完成INPUT-C1：添加一个二维卷积层，输入为32x32x3，卷积核大小为5x5，核种类6个，并且假设我们不小心漏了relu

model.add(Conv2D(6, (5, 5), input_shape=(32, 32,3)))

13.刚刚不小心漏了relu，现在可以另外加上

model.add(Activation('relu'))

14.完成C1-S2：2x2下采样层

model.add(MaxPooling2D(pool_size=(2, 2)))

15.完成S2-C3：二维卷积，16个内核，5x5的大小，别忘记relu

model.add(Conv2D(16, (5, 5), activation='relu'))

16.完成C3-S4：2x2下采样层

model.add(MaxPooling2D(pool_size=(2, 2)))

17.完成S4-C5：先添加平坦层

model.add(Flatten())

18.再添加全连接层，输出120维，激活函数relu

model.add(Dense(120, activation='relu'))

19.完成C5-F6：添加全连接层，84个输出，激活函数relu

model.add(Dense(84, activation='relu'))

20.完成F6-OUTPUT：添加全连接层，10个输出，激活函数softmax

model.add(Dense(10, activation='softmax'))

2.3 编译

21.设置随机梯度下降SGD优化算法的参数，learning_rate=0.01，epoch=25，decay=learning_rate/epoch，momentum=0.9,nesterov=False

from keras.optimizers import SGDlrate = 0.01
epoch = 10
decay = lrate/epoch
sgd = SGD(lr=lrate, momentum=0.9, decay=decay, nesterov=False)

23.编译模型，代价函数loss使用categorical_crossentropy，优化算法前面已经定义了，性能的指标使用accuracy

model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

2.4 训练

读入数据 & 预处理（略)

24.将数据送入模型，并且设置20%为验证集

history=model.fit(x=train_X, y=train_Y,validation_split=0.2, epochs=10, batch_size=32, verbose=1)

25.可视化历史训练的 训练集 及 验证集 的准确率值 可视化历史训练的 训练集 及 验证集 的损失值

plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'val'], loc='upper left')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'val'], loc='upper left')
plt.show()

26.模型评估

scores = model.evaluate(test_X, test_Y, verbose=0)
print(model.metrics_names)
print(scores)

2.5 预测

27.预测结果

prediction=model.predict_classes(test_X)
prediction[:10]

可视化预测结果

显示混淆矩阵

import pandas as pd
print(classes)
pd.crosstab(y_gt.reshape(-1),prediction,rownames=['label'],colnames=['predict'])

三、Model式模型

这部分会实现一个多输入多输出的模型

3.1 构建网络

这里我们选择函数式模型（model)，所以不需要提前实例化，先将网络结构实现

28.定义①，主要输入层，接收新闻标题本身，即一个整数序列（每个整数编码一个词）。这些整数在 1 到 10,000 之间（10,000 个词的词汇表），且序列长度为 100 个词。命名main_input

main_input = Input(shape=(100,), dtype='int32', name='main_input')

29.定义②，将输入序列编码为一个稠密向量的序列，输出每个向量维度为 512。

x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

30.定义③，LSTM 层把向量序列转换成单个向量，它包含整个序列的上下文信息，输出维度32

lstm_out = LSTM(32)(x)

31.定义⑩，其作为辅助损失，使得即使在模型主损失很高的情况下，LSTM 层和 Embedding 层都能被平稳地训练。输出维度1，激活函数sigmoid，命名aux_output

auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

32.定义⑨，输入辅助数据，5维向量，命名aux_input

auxiliary_input = Input(shape=(5,), name='aux_input')

33.定义④，将辅助输入数据与 LSTM 层的输出连接起来，输入到模型中

x = keras.layers.concatenate([lstm_out, auxiliary_input])

34.定义⑤⑥⑦，堆叠多个全连接网络层，输出均为64维

x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

35.定义⑧，输出层，激活函数sigmoid，命名main_output

main_output = Dense(1, activation='sigmoid', name='main_output')(x)

3.2 定义模型

36.定义一个具有两个输入和两个输出的模型

model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

3.3 编译

37.编译模型，给辅助损失分配0.2的权重

model.compile(optimizer='rmsprop',loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},loss_weights={'main_output': 1., 'aux_output': 0.2})

3.4 训练

读取数据（略）

38.把数据送入模型训练

model.fit({'main_input': headline_data, 'aux_input': additional_data},{'main_output': headline_labels, 'aux_output': additional_labels},epochs=50, batch_size=32,verbose=0)

3.5 预测

model.predict({'main_input': headline_data, 'aux_input': additional_data})

四、模型的保存与读取

39.保存模型及其权重

# 保存模型
model_json = model.to_json()
json_file = open("model.json", "w")
json_file.write(model_json)
json_file.close()
# 保存权重
model.save_weights("model.h5")

40.读取模型及其权重

from keras.models import model_from_json
# 读取模型
json_file = open('model.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
# 读取权重
loaded_model.load_weights("model.h5")

# 使用之前记得要编译一下
model.compile(optimizer='rmsprop',loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},loss_weights={'main_output': 1., 'aux_output': 0.2})

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（pdf更新到25集）本站qq群1003271085，加入微信群请回复“加群”获取一折本站知识星球优惠券，请回复“知识星球”喜欢文章，点个在看