学习笔记 Keras:基于Python的深度学习库
目录:
[TOC]
本系列参考官方文档官方文档
这就是Keras
Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生,能够把你的idea迅速转换为结果,如果你有如下需求,请选择Keras:
- 简易和快速的原型设计(keras具有高度模块化,极简,和可扩充特性)
- 支持CNN和RNN,或二者的结合
- 无缝CPU和GPU切换
Keras适用的Python版本是:Python 2.7-3.6
Keras的设计原则是
- 用户友好:Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践:Keras提供一致而简洁的API, 能够极大减少一般应用下用户的工作量,同时,Keras提供清晰和具有实践意义的bug反馈。
- 模块性:模型可理解为一个层的序列或数据的运算图,完全可配置的模块可以用最少的代价自由组合在一起。具体而言,网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块,你可以使用它们来构建自己的模型。
- 易扩展性:添加新模块超级容易,只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
- 与Python协作:Keras没有单独的模型配置文件类型(作为对比,caffe有),模型由python代码描述,使其更紧凑和更易debug,并提供了扩展的便利性。
关于Keras-cn
本文档是Keras文档的中文版,包括keras.io的全部内容,以及更多的例子、解释和建议
现在,keras-cn的版本号将简单的跟随最新的keras release版本
由于作者水平和研究方向所限,无法对所有模块都非常精通,因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问,欢迎发送邮件到moyan_work@foxmail.com与我取得联系。
您对文档的任何贡献,包括文档的翻译、查缺补漏、概念解释、发现和修改问题、贡献示例程序等,均会被记录在致谢,十分感谢您对Keras中文文档的贡献!
如果你发现本文档缺失了官方文档的部分内容,请积极联系我补充。
本文档相对于原文档有更多的使用指导和概念澄清,请在使用时关注文档中的Tips,特别的,本文档的额外模块还有:
- Keras新手指南:我们新提供了“Keras新手指南”的页面,在这里我们对Keras进行了感性介绍,并简单介绍了Keras配置方法、一些小知识与使用陷阱,新手在使用前应该先阅读本部分的文档。
- Keras资源:在这个页面,我们罗列一些Keras可用的资源,本页面会不定期更新,请注意关注
- 深度学习与Keras:位于导航栏最下方的该模块翻译了来自Keras作者博客keras.io 和其他Keras相关博客的文章,该栏目的文章提供了对深度学习的理解和大量使用Keras的例子,您也可以向这个栏目投稿。 所有的文章均在醒目位置标志标明来源与作者,本文档对该栏目文章的原文不具有任何处置权。如您仍觉不妥,请联系本人(moyan_work@foxmail.com)删除。
当前版本与更新
如果你发现本文档提供的信息有误,有两种可能:
- 你的Keras版本过低:记住Keras是一个发展迅速的深度学习框架,请保持你的Keras与官方最新的release版本相符
- 我们的中文文档没有及时更新:如果是这种情况,请发邮件给我,我会尽快更新
目前文档的版本号是2.0.9,对应于官方的2.0.9 release 版本, 本次更新的主要内容是:
- recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM层
- application中新增了模型InceptionResNetV2
- datasets新增fasion mnist
- FAQ新增Keras的多GPU卡运行指南
- utils新增多卡支持函数multi_gpu_model
- model.compile和model.fit API更新
由于年久失修,深度学习与Keras栏目中的很多内容的代码已经不再可用,我们决定在新的文档中移除这部分。仍然想访问这些内容(以及已经被移除的一些层,如Maxout)的文档的同学,请下载中文文档的legacy文件夹,并使用文本编辑器(如sublime)打开对应.md文件。
修正了一些错误,感谢@孙永海,@Feng Ying的指正
此外,感谢@zh777k制作了Keras2.0.4中文文档的离线版本,对于许多用户而言,这个版本的keras对大多数用户而言已经足够使用了。下载地址在百度云盘
注意,keras在github上的master往往要高于当前的release版本,如果你从源码编译keras,可能某些模块与文档说明不相符,请以官方Github代码为准
快速开始:30s上手Keras
Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。你也可以查看函数式模型来学习建立更复杂的模型
Sequential模型如下
from keras.models import Sequentialmodel = Sequential()将一些网络层通过.add()堆叠起来,就构成了一个模型:from keras.layers import Dense, Activationmodel.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))完成模型的搭建后,我们需要使用.compile()方法来编译模型:model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])编译模型时必须指明损失函数和优化器,如果你需要的话,也可以自己定制损失函数。Keras的一个核心理念就是简明易用,同时保证用户对Keras的绝对控制力度,用户可以根据自己的需要定制自己的模型、网络层,甚至修改源代码。from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))完成模型编译后,我们在训练数据上按batch进行一定次数的迭代来训练网络model.fit(x_train, y_train, epochs=5, batch_size=32)当然,我们也可以手动将一个个batch的数据送入网络中训练,这时候需要使用:model.train_on_batch(x_batch, y_batch)随后,我们可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)或者,我们可以使用我们的模型,对新的数据进行预测:classes = model.predict(x_test, batch_size=128)
搭建一个问答系统、图像分类模型,或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的,现在让我们把它的实现也变的简单起来!
为了更深入的了解Keras,我们建议你查看一下下面的两个tutorial
快速开始Sequntial模型
快速开始函数式模型
还有我们的新手教程,虽然是面向新手的,但我们阅读它们总是有益的:
Keras新手指南
在Keras代码包的examples文件夹里,我们提供了一些更高级的模型:基于记忆网络的问答系统、基于LSTM的文本的文本生成等。
安装
Keras使用了下面的依赖包,三种后端必须至少选择一种,我们建议选择tensorflow。
numpy,scipypyyamlHDF5, h5py(可选,仅在模型的save/load函数中使用)如果使用CNN的推荐安装cuDNN
当使用TensorFlow为后端时:
TensorFlow
当使用Theano作为后端时:
Theano
当使用CNTK作为后端时:
CNTK
“后端”翻译自backend,指的是Keras依赖于完成底层的张量运算的软件包。
从源码安装Keras时,首先git clone keras的代码:
git clone https://github.com/fchollet/keras.git
接着 cd 到Keras的文件夹中,并运行下面的安装命令:
sudo python setup.py install
你也可以使用PyPI来安装Keras
sudo pip install keras
如果你用的是virtualenv虚拟环境,不要用sudo就好。
详细的Windows和Linux安装教程请参考“Keras新手指南”中给出的安装教程,特别鸣谢SCP-173编写了这些教程
在Theano、CNTK、TensorFlow间切换
Keras默认使用TensorFlow作为后端来进行张量操作,如需切换到Theano,请查看这里
技术支持
你可以在下列网址提问或加入Keras开发讨论:
Keras Google groupKeras Slack channel,点击这里获得邀请.
你也可以在Github issues里提问或请求新特性。在提问之前请确保你阅读过我们的指导
另外,对于习惯中文的用户,我们推荐在“集智”平台提问,该平台由Kaiser等搭建,支持在线代码运行环境,我本人会经常访问该网站解答问题
最后,我们也欢迎同学们加我们的QQ群119427073进行讨论(潜水和灌水会被T,入群说明公司/学校-职位/年级)
学习笔记 Keras:基于Python的深度学习库相关推荐
- 人脸识别学习一(Keras: 基于 Python 的深度学习库)
只是把一些文字部分复制出来方便看,完整还是参考源地址,参考文章https://keras.io/zh/ 写在前面: 第一次接触Keras,用自己的话简单概括一下什么事Keras,(不准确之处欢迎批评指 ...
- Keras快速上手:基于Python的深度学习
Keras快速上手:基于Python的深度学习 谢梁,鲁颖,劳虹岚 著 ISBN:9787121318726 包装:平装 开本:16开 正文语种:中文 出版社: 电子工业出版社 出版时间:2017-0 ...
- 从Theano到Lasagne:基于Python的深度学习的框架和库
从Theano到Lasagne:基于Python的深度学习的框架和库 [日期:2015-08-03] 来源:http://creative-punch.net/ 作者:Creative Punch ...
- python人脸深度识别_基于Python的深度学习人脸识别方法
基于 Python 的深度学习人脸识别方法 薛同来 ; 赵冬晖 ; 张华方 ; 郭玉 ; 刘旭春 [期刊名称] <工业控制计算机> [年 ( 卷 ), 期] 2019(032)002 [摘 ...
- 基于python的深度学习框架有_《用Python实现深度学习框架》上市
朋友们,<用Python实现深度学习框架>已经由人民邮电出版社出版上市了.在这本书中,我们带领读者仅用Python+Numpy实现一个基于计算图的深度学习框架MatrixSlow.本书讲解 ...
- 大数据基石python学习_资源 | 177G Python/机器学习/深度学习/算法/TensorFlow等视频,涵盖入门/中级/项目各阶段!...
原标题:资源 | 177G Python/机器学习/深度学习/算法/TensorFlow等视频,涵盖入门/中级/项目各阶段! 这是一份比较全面的视频教程,基本上包括了市面上所有关于机器学习,统计学习, ...
- 从0开始,基于Python探究深度学习神经网络
来源 | Data Science from Scratch, Second Edition 作者 | Joel Grus 全文共6778字,预计阅读时间50分钟. 深度学习 1. 张量 2. ...
- 基于python的深度学习框架有_从Theano到Lasagne:基于Python的深度学习的框架和库...
深度学习是机器学习和人工智能的一种形式,利用堆积在彼此顶部的神经网络的多个隐藏层来尝试形成对数据更深层次的"理解". 最近,深度神经网络以"Deep Dreams&quo ...
- 基于python的系统构建_搭建一个基于python的深度学习环境
最近就要学习深度学习了,怎么能没有一个合适的开发环境呢? 那么,开始吧 系统方面我选择了Ubuntu GNOME 16.04版本,因为在Ubuntu中进行配置相对于红帽系要方便一些.毕竟谁也不想正在愉 ...
最新文章
- Java之美之设计模式
- 计算机微格教学心得体会,微格教学心得体会
- redis hash数据类型常用命令
- java调用、执行groovy代码
- 查看当前提供了哪些引擎
- linux设置mysql字符集_linux修改mysql字符集编码
- TinyURL生成器
- python和什么语言类似_python与其他语言的对比
- 软件测试第五周 - 编码的 UI 测试
- 多小区下小区上行速率的计算(4)
- 苹果计算机音乐谱大全,macOS乐谱制作软件大全推荐~
- java实现高清图片剪切
- 国庆节,企查查我来啦~
- java 文件尾部_java 在file的尾部添加数据的两种方法总结
- 软阈值函数作用图matlab,软阈值(Soft Thresholding)函数解读
- 云安全:Cloudstack云平台搭建详解及经验总结
- 关于电脑使用墨墨背单词使用键盘操作问题
- Springboot快递代取系统的设计与实现3i0v9计算机毕业设计-课程设计-期末作业-毕设程序代做
- 使用MV制作最简单的游戏:我要做游戏(9)
- 一款强大的云笔记——notion
热门文章
- what are the associated papers accepted at the Harvard business review from cambridge
- 简单的多显示器解决方案
- why wearing masks?
- try not do unnecessary subscriptions
- 【转】 DOTA2中的伪随机及其lua实现
- vc2010多线程使用std标准模板库容器DEBUG版迭代器BUG
- 日常英语---一、纸质版还是电子版
- kubectl命令自动补全功能
- 深入浅出面向对象和原型【番外篇——重新认识new】
- iOS之widget开发(Today Extension)