Keras入门教程

1.线性回归建模（快速入门）
2.线性模型的优化
3.波士顿房价回归 (MPL)
4.卷积神经网络（CNN）
5.使用LSTM RNN 进行时间序列预测
6.Keras 预训练模型应用

线性回归建模（快速入门）

前言

Keras 是何物？Keras 是一个用 Python 编写的高级神经网络 API。其是以TesorFlow作为后端运行的。我们安装深度学习框架tensorflow时自动安装的，并非单独安装，作为tesorflow的API存在，使用起来非常方便。
目前网上有大量的深度学习关于tesorflow 1.X版本的教程，而2.0以上的版本教程，都是降到1.0版本再运行。因此，本文以tesorflow ‘2.8.0’ 版本进行讲解。
本文先用sklearn 线性回归模型，引入深入学习的keras进行建模。
为了更好的快速入门深度学习的keras，本文不讨论数学原理，不讨论模型的原理，只从程序（代码）实现方面对深度学习有个感性的认识。看完这系列文章，建议你对机器学习中深度学习有一个更深的理解。

加载包

import numpy as np
import pandas as pd
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import  mean_squared_error
%matplotlib inline

数据导入

以income数据集为例，为了方便小伙伴，不用找数据集，由于数据比较小，所以直接写入代码。

data=pd.DataFrame(columns=['Education','Income'],data=[[10.00000,26.65884],
[10.40134,27.30644],
[10.84281,22.13241],
[11.24415,21.16984],
[11.64548,15.19263],
[12.08696,26.39895],
[12.48829,17.43531],
[12.88963,25.50789],
[13.29097,36.88459],
[13.73244,39.66611],
[14.13378,34.39628],
[14.53512,41.49799],
[14.97659,44.98157],
[15.37793,47.03960],
[15.77926,48.25258],
[16.22074,57.03425],
[16.62207,51.49092],
[17.02341,61.33662],
[17.46488,57.58199],
[17.86622,68.55371],
[18.26756,64.31093],
[18.70903,68.95901],
[19.11037,74.61464],
[19.51171,71.86720],
[19.91304,76.09814],
[20.35452,75.77522],
[20.75585,72.48606],
[21.15719,77.35502],
[21.59866,72.11879],
[22.00000,80.26057]])
# 可以查看data内容
data

数据可视化

plt.scatter(data.Education,data.Income);

分离数据

X=data.Education.values.reshape(-1,1)
y=data.Income

Sklearn 建模

model_lr=LinearRegression()
model_lr.fit(X,y)

查看线性相关属性

print( "斜率：", model_lr.coef_[0] ," 截距：",model_lr.intercept_)
print("R^2=",model_lr.score(X,y))
MSE=mean_squared_error(y,y_pred)
print("MSE:",MSE)

斜率： 5.599483656931067 截距： -39.44626851089707
R^2= 0.9309626013230593
MSE: 29.828741902209323

进行预测

y_pred=model_lr.predict(X)

画回归曲线

plt.scatter(X,y)
plt.plot(X,y_pred,"r")

keras 建模

from keras.models import Sequential
from keras.layers import Densemodel_kr = Sequential()
model_kr.add(Dense(1,input_shape=(1,),activation='linear'))

查看模型

model_kr.summary()

Model: “sequential”

Layer (type) Output Shape Param #

dense (Dense) (None, 1) 2

=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0

选择损失函数和优化方法

model_kr.compile(optimizer='adam' , loss='mse')
model_kr.fit(X , y , epochs=200 , verbose=1)

进行200次的结果如下

Output exceeds the size limit. Open the full output data in a text editor
Epoch 1/200
1/1 [==============================] - 0s 394ms/step - loss: 835.3273
Epoch 2/200
1/1 [==============================] - 0s 6ms/step - loss: 834.3919
Epoch 3/200
1/1 [==============================] - 0s 9ms/step - loss: 833.4571
Epoch 4/200
1/1 [==============================] - 0s 5ms/step - loss: 832.5229
Epoch 5/200
1/1 [==============================] - 0s 10ms/step - loss: 831.5893
Epoch 6/200
1/1 [==============================] - 0s 9ms/step - loss: 830.6564
Epoch 7/200
1/1 [==============================] - 0s 14ms/step - loss: 829.7242
Epoch 8/200
1/1 [==============================] - 0s 4ms/step - loss: 828.7927
Epoch 9/200
1/1 [==============================] - 0s 7ms/step - loss: 827.8617
Epoch 10/200
1/1 [==============================] - 0s 8ms/step - loss: 826.9315
Epoch 11/200
1/1 [==============================] - 0s 7ms/step - loss: 826.0019
Epoch 12/200
1/1 [==============================] - 0s 7ms/step - loss: 825.0732
Epoch 13/200
...
Epoch 199/200
1/1 [==============================] - 0s 6ms/step - loss: 666.1816
Epoch 200/200
1/1 [==============================] - 0s 9ms/step - loss: 665.4104

查看线性相关属性

W , b = model_kr.layers[0].get_weights()
print('线性回归的斜率和截距: %.2f, b: %.2f' % (W, b))

线性回归的斜率和截距: 1.82, b: 0.19

yks_pred=model_kr.predict(X)
MSE=model_kr.evaluate(y,yks_pred)
print("MSE1:",MSE)

1/1 [==============================] - 0s 99ms/step - loss: 4833.7842
MSE1: 4833.7841796875

惊奇的发现与上面做的结果相差很大

看看回归曲线

plt.scatter(X,y)
plt.plot(X,yks_pred,"b",label='200 epochs')
plt.legend()

画一下MSE曲线

plt.plot(history.epoch,history.history.get('loss'),label="loss")
plt.xlabel("epoch")
plt.ylabel("MSE")
plt.legend()

200 次远远没有达到理想结果

增加epoch次数

再多次运行fit结果如下：

再次提醒小伙伴，千万别把epoch调得很大。

结论

有小伙伴说，这个结果太令人伤心了，远没有原始线性回归好。
但是，但是，你有没有发现这里根本没有“深度”，只加了一层，根本没有发挥深度学习的优势。因此在实际的模型中，会加入多层（深度），进行建模。
下一节，在此基础上，增加层和激活函数，优化此模型，进入下一节。