深度学习框架Keras入门保姆教程-六虎

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

本文介绍3个案例来帮助读者认识和入门深度学习框架Keras。3个案例解决3个问题：回归、二分类、多分类

为什么选择Keras

相信很多小伙伴在入门深度学习时候首选框架应该是TensorFlow或者Pytorch。在如今无数深度学习框架中，为什么要使用 Keras 而非其他？整理自Keras中文官网：

Keras 优先考虑开发人员的经验
Keras数据处理活动不包括以下哪种情形被工业界和数据处理活动不包括以下学术界广泛采用
Keras 可以轻松将模型转化为产品
Keras 支持多个后端引擎
Keras 拥tensorflow环境搭建有强大的多 GPU 和分布式训练支持
Ketensorflow怎么读ras 的发展得到关键公司的支持，比如：神经网络对信息的存储依赖什么谷歌、微软等

详细信息见中文官网：keras.io/zhtensorflow是干什么的/why-use-数据处理能力…

主要步骤

使用Keras解决机器学习/深度学习问题的主要步骤：

特征工程+数据划分
搭神经网络建神经网络模型add
查看网络架构summary
编译网络模型compile
训练网络fit
保存模型save
评估模型evaluate
评价指标可视化visualize

导入库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn import datasets  
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import tensorflow as tf
from keras import models
from keras import layers 
from keras.models import load_model
np.random.seed(1234)

回归案例

回归案例中使用的是Keras自带的波士顿房价数据集。

导入数据

In [2]:

from keras.datasets import boston_housing
(train_X, train_y), (test_X, test_y) = boston_housing.load_data()

In [3]:

train_X.shape  # 数据形状

Out[3]:

(404, 13)

In [4]:

train_X[:3]  # 特征向量值

Out[4]:

array([[1.23247e+00, 0.00000e+00, 8.14000e+00, 0.00000e+00, 5.38000e-01,
        6.14200e+00, 9.17000e+01, 3.97690e+00, 4.00000e+00, 3.07000e+02,
        2.10000e+01, 3.96900e+02, 1.87200e+01],
       [2.17700e-02, 8.25000e+01, 2.03000e+00, 0.00000e+00, 4.15000e-01,
        7.61000e+00, 1.57000e+01, 6.27000e+00, 2.00000e+00, 3.48000e+02,
        1.47000e+01, 3.95380e+02, 3.11000e+00],
       [4.89822e+00, 0.00000e+00, 1.81000e+01, 0.00000e+00, 6.31000e-01,
        4.97000e+00, 1.00000e+02, 1.33250e+00, 2.40000e+01, 6.66000e+02,
        2.02000e+01, 3.75520e+02, 3.26000e+00]])

I谷歌浏览器下载n [5]:

train_y[:3]   # 标签值

Out[5]:

array([15.2, 42.3, 50. ])

数据标准化

神经网络中一般输入的都是较小数值的数据，数据之间的差异不能过大。现将特征变量的数据进行标准化处理

In [6]:

train_X[:3]  # 处理前

Out[6]:

array([[1.23247e+00, 0.00000e+00, 8.14000e+00, 0.00000e+00, 5.38000e-01,
        6.14200e+00, 9.17000e+01, 3.97690e+00, 4.00000e+00, 3.07000e+02,
        2.10000e+01, 3.96900e+02, 1.87200e+01],
       [2.17700e-02, 8.25000e+01, 2.03000e+00, 0.00000e+00, 4.15000e-01,
        7.61000e+00, 1.57000e+01, 6.27000e+00, 2.00000e+00, 3.48000e+02,
        1.47000e+01, 3.95380e+02, 3.11000e+00],
       [4.89822e+00, 0.00000e+00, 1.81000e+01, 0.00000e+00, 6.31000e-01,
        4.97000e+00, 1.00000e+02, 1.33250e+00, 2.40000e+01, 6.66000e+02,
        2.02000e+01, 3.75520e+02, 3.26000e+00]])

针对训练集的数据做标准化处理：减掉均值再除以标准差

In [7]:

mean = train_X.mean(axis=0)  # 均值
train_X = train_X - mean  # 数值 - 均值
std = train_X.std(axis=0)  # 标准差
train_X /= std  # 再除以标准差
train_X  # 处理后

针对数据处理英文测集的数据处理：使用训练集的均值和标准差

In [8]:

test_X -= mean  # 减掉均值
test_X /= std   # 除以标准差

构建网络

In [9]:

train_X.shape

Out[9]:

(404, 13)

In [10]:

model = models.Sequential()
model.add(tf.keras.layers.Dense(64,
                                activation="relu",
                                input_shape=(train_X.shape[1], )))
model.add(tf.keras.layers.Dense(64,
                                activation="relu"))
model.add(tf.keras.layers.Dense(1))  # 最后的密集连接层，不用激活函数
model.compile(optimizer="rmsprop",  # 优化器
              loss="mse",  # 损失函数
              metrics=["mae"]  # 评估指标：平均绝对误差
             )

网络架构

In [11]:

model.summary()

训练网络

In [12]:

history = model.fit(train_X,  # 特征
          train_y,  # 输出
          epochs = 100,  # 模型训练100轮
          validation_split=0.2,
          batch_size=1,
          verbose=0  # 静默模式；如果=1表示日志模式，输出每轮训练的结果
         )

保存模型

In [13]:

model.save("my_model.h5")  # 保存模型
del model  # 删除现有的模型

In [14]:

model = load_model('my_model.h5')  # 加载模型

评估模型

返回的数据处理包括数据的收集存储使用是loss和ma数据处理活动不包括以下e的取值

In [15]:

model.evaluate(test_X, test_y)
4/4 [==============================] - 0s 6ms/step - loss: 16.1072 - mae: 2.5912

Out[15]:

[16.107179641723633, 2.5912036895751953]

history对象

In [16]:

type(history)  # 回调的History对象

Out[16]:

keras.callbacks.History

In [17]:

type(history.history)  # 字典

Out[17]:

dict

In [18]:

查看history.数据处理软件有哪些history字典对tensorflowgpu版本和cpu版本区别象中的信息：keys就是每个评价指标，values其实就是每次输出的指标对应的值

for keys,_ in history.history.items():
    print(keys)
loss
mae
val_loss
val_mae

In [19]:

len(history.history["loss"])

Out[19]:

In [20]:

history.history["loss"][:10]

Out[20]:

[197.65003967285156,
 32.76368713378906,
 22.73907470703125,
 18.689529418945312,
 16.765336990356445,
 15.523008346557617,
 14.131484985351562,
 13.04631519317627,
 12.62230396270752,
 12.256169319152832]

loss-mae

In [21]:

# 损失绘图
import matplotlib.pyplot as plt
history_dict = history.history 
loss_values = history_dict["loss"]
mae_values = history_dict["mae"]
epochs = range(1,len(loss_values) + 1)
# 训练
plt.plot(epochs,  # 循环轮数
         loss_values,  # loss取值
         "r",  # 红色
         label="loss"  
        )
plt.plot(epochs,  
         mae_values,  
         "b",  
         label="mae"  
        )
plt.title("Loss and Mae of Training")
plt.xlabel("Epochs")
plt.legend()
plt.show()

二分类

使用的是sklearn中自带的cancer数据集

导入数据

In [22]:

cancer=datasets.load_breast_cancer()
cancer

部分数据信息截图

# 生成特征数据和标签数据
X = cancer.data
y = cancer.target

数据标准化

In [24]:

X[:2]  # 转换前

Out[24]:

array([[1.799e+01, 1.038e+01, 1.228e+02, 1.001e+03, 1.184e-01, 2.776e-01,
        3.001e-01, 1.471e-01, 2.419e-01, 7.871e-02, 1.095e+00, 9.053e-01,
        8.589e+00, 1.534e+02, 6.399e-03, 4.904e-02, 5.373e-02, 1.587e-02,
        3.003e-02, 6.193e-03, 2.538e+01, 1.733e+01, 1.846e+02, 2.019e+03,
        1.622e-01, 6.656e-01, 7.119e-01, 2.654e-01, 4.601e-01, 1.189e-01],
       [2.057e+01, 1.777e+01, 1.329e+02, 1.326e+03, 8.474e-02, 7.864e-02,
        8.690e-02, 7.017e-02, 1.812e-01, 5.667e-02, 5.435e-01, 7.339e-01,
        3.398e+00, 7.408e+01, 5.225e-03, 1.308e-02, 1.860e-02, 1.340e-02,
        1.389e-02, 3.532e-03, 2.499e+01, 2.341e+01, 1.588e+02, 1.956e+03,
        1.238e-01, 1.866e-01, 2.416e-01, 1.860e-01, 2.750e-01, 8.902e-02]])

In [25]:

ss = StandardScaler()
X = ss.fit_transform(X)
X[:2]   # 转换后

Ou神经网络引擎t[25]:

array([[ 1.09706398e+00, -2.07333501e+00,  1.26993369e+00,
         9.84374905e-01,  1.56846633e+00,  3.28351467e+00,
         2.65287398e+00,  2.53247522e+00,  2.21751501e+00,
         2.25574689e+00,  2.48973393e+00, -5.65265059e-01,
         2.83303087e+00,  2.48757756e+00, -2.14001647e-01,
         1.31686157e+00,  7.24026158e-01,  6.60819941e-01,
         1.14875667e+00,  9.07083081e-01,  1.88668963e+00,
        -1.35929347e+00,  2.30360062e+00,  2.00123749e+00,
         1.30768627e+00,  2.61666502e+00,  2.10952635e+00,
         2.29607613e+00,  2.75062224e+00,  1.93701461e+00],
       [ 1.82982061e+00, -3.53632408e-01,  1.68595471e+00,
         1.90870825e+00, -8.26962447e-01, -4.87071673e-01,
        -2.38458552e-02,  5.48144156e-01,  1.39236330e-03,
        -8.68652457e-01,  4.99254601e-01, -8.76243603e-01,
         2.63326966e-01,  7.42401948e-01, -6.05350847e-01,
        -6.92926270e-01, -4.40780058e-01,  2.60162067e-01,
        -8.05450380e-01, -9.94437403e-02,  1.80592744e+00,
        -3.69203222e-01,  1.53512599e+00,  1.89048899e+00,
        -3.75611957e-01, -4.30444219e-01, -1.46748968e-01,
         1.08708430e+00, -2.43889668e-01,  2.81189987e-01]])

数据集划分

In [26]:

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=123)
X_train.shape

Out[26]:

(455, 30)

In [27]:

y_train.shape

Out[27]:

(455,)

In [28]:

X_test.shape   # 测试集长度是114

Out[28]:

(114, 30)

构建网络

这是一个二分类的问题，最后一层使用sigmoid作为激活函数

In [29]:

model = models.Sequential()
# 输入层
model.add(tf.keras.layers.Dense(16,
                                activation="relu",
                                input_shape=(X_train.shape[1],)))
# 隐藏层
model.add(tf.keras.layers.Dense(16,
                                activation="relu"))
# 输出层
model.add(tf.keras.layers.Dense(1, 
                                activation="sigmoid"))

网络架构

In [30]:

model.summary()

编译模型

在keras搭建的神经网络中，如果输出是概率谷歌空间值的模型，损失函数最好使用：交叉熵crossentropy

常用目标损测试仪失函数的选择：

bi谷歌安装器nary_crossen测试仪tropy：针对二分类问题的交叉熵
categorical_crossentropy：针对多分类问题的交叉熵

两种不同谷歌浏览器的指定方法：

# 方法1
model.compile(loss='mean_squared_error', optimizer='rmsprop')
# 方法2
from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='rmsprop')

常用的性能评估函数：

binary_accuracy: 针对二分类问题，计算在所有预测值上的平均正确率
categorical_accuracy：针对多分类问题,计算再所有预测值上的平均正确率
sparse_categorical_accuracy：与categori数据处理活动不包括以下哪种情形cal_谷歌accuracy相同，在对tensorflow菜鸟教程稀疏的目标值预测时有用

In [31]:

# 配置优化器
from keras import optimizers
model.compile(optimizer="rmsprop", # 优化器
              loss="binary_crossentropy",  # 目标损失函数
              metrics=["acc"]  # 评价指标函数 acc--->accuracy
             )

训练网络

In测试抑郁症的20道题 [32]:

len(X_train)

Out[32]:

In [33]:

history = model.fit(X_train,  # 特征向量
                    y_train,  # 标签向量
                    epochs=20,  # 训练轮数
                    batch_size=25  # 每次训练的样本数
                   )
history

评估模型

In [34]:

model.evaluate(X_test, y_test)
4/4 [==============================] - 0s 3ms/step - loss: 0.0879 - acc: 0.9825

O谷歌地图ut[34]:

[0.08793728798627853, 0.9824561476707458]

可以看到模型的精度达到了惊人的98.2%！

loss-acc

In [35]:

for keys, _ in history.history.items():
    print(keys)
loss
acc

In [36]:

# 损失绘图
import matplotlib.pyplot as plt
history_dict = history.history 
loss_values = history_dict["loss"]
acc_values = history_dict["acc"]
epochs = range(1,len(loss_values) + 1)
# 训练
plt.plot(epochs,  # 循环轮数
         loss_values,  # loss取值
         "r",  # 红色
         label="loss"  
        )
plt.plot(epochs,  
         acc_values,  
         "b",  
         label="acc"  
        )
plt.title("Loss and Acc of Training")
plt.xlabel("Epochs")
plt.legend()
plt.show()

可以看到：谷歌翻译随着轮数的增加loss在逐渐降低，而精度acc在逐渐测试抑郁症增加，趋近于1

多分类案例

多分类的案例使用sklearn中自数据处理包括哪些内容带的iris数据集，数据集不多介谷歌账号绍。最终结果是存在3个类的神经网络预测。

导入数据

In [37]:

iris = datasets.load_iris()

In [38]:

# 特征数据和标签数据
X = iris.data
y = iris.target
X[:2]

O测试英文ut[38]:

array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2]])

In [39]:

y[:3]

Out[39]:

array([0, 0, 0])

数据标准化

In [40]:

ss = StandardScaler()
X = ss.fit_transform(X)

数据集划分

In [41]:

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=123)
X_train.shape

Out[41]:

(120, 4)

标签向量化

In测试英文 [42]:

y_test[:5]  # 转换前

Out[42]:

array([1, 2, 2, 1, 0])

In [43]:

# 内置方法实现标签向量化
from keras.utils.np_utils import to_categorical
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

In [44]:

y_test[:5]  # 转换后

Out[44]:

array([[0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.]], dtype=float32)

In [45]:

X_train[:3]

Out[45]:

array([[ 1.88617985, -0.59237301,  1.33113254,  0.92230284],
       [ 0.18982966, -1.97355361,  0.70592084,  0.3957741 ],
       [-1.38535265,  0.32841405, -1.22655167, -1.3154443 ]])

构建模型

In [46]:

model = models.Sequential()
model.add(tf.keras.layers.Dense(64,
                                activation="relu",
                                input_shape=(X_train.shape[1],)))
model.add(tf.keras.layers.Dense(64,
                                activation="relu"))
model.add(tf.keras.layers.Dense(3,
                                activation="softmax"))

模型编译

多分类问题一般是使用categorical_crossentropy作测试工程师为损失函数。它是用来衡量测试用例网络输出的概率测试用例分布和标签的真实概率分布神经网络控制的距离。

In [47]:

model.compile(optimizer="rmsprop",
              loss="categorical_crossentropy",
              metrics=["accuracy"]
             )

训练网络数据处理包括数据的收集存储使用

In [48]:

len(X_train)

Out[48]:

In [49]:

history = model.fit(X_train,
                    y_train,
                    epochs=10,
                    batch_size=15
                   )
history

评估模型

In [50]:数据处理工程师

model.evaluate(X_test, y_test)
1/1 [==============================] - 0s 414ms/step - loss: 0.1799 - accuracy: 1.0000

Out[50]:

[0.17986173927783966, 1.0]

l谷歌账号oss-acc曲线

In [51]:

for keys, _ in history.history.items():
    print(keys)
loss
accuracy

In [52]:

# 损失绘图
import matplotlib.pyplot as plt
history_dict = history.history 
loss_values = history_dict["loss"]
acc_values = history_dict["accuracy"]
epochs = range(1,len(loss_values) + 1)
# 训练
plt.plot(epochs,  # 循环轮数
         loss_values,  # loss取值
         "r",  # 红色
         label="loss"  
        )
plt.plot(epochs,  
         acc_values,  
         "b",  
         label="accuracy"  
        )
plt.title("Loss and Accuracy of Training")
plt.xlabel("Epochs")
plt.legend()
plt.show()

待补充学习

上面的方案只是从最基本的方式来通过Keras进行神经网络的建模，还有很多可以深入学习和神经网络英文挖掘的点：

验证集数据的引入
加入正则化技术，防止模型测试手机是否被监控过拟合
如何评估训练的轮次，使得模型在合适时机数据处理方法停止
激活函数的选择等

深度学习框架Keras入门保姆教程

目录

为什么选择Keras

主要步骤

导入库

回归案例

导入数据

数据标准化

构建网络

网络架构

训练网络

保存模型

评估模型

history对象

loss-mae

二分类

导入数据

数据标准化

数据集划分

构建网络

网络架构

编译模型

训练网络

评估模型

loss-acc

多分类案例

导入数据

数据标准化

数据集划分

标签向量化

构建模型

模型编译

训练网络数据处理包括数据的收集存储使用

评估模型

l谷歌账号oss-acc曲线

待补充学习

作者信息

深度学习框架Keras入门保姆教程

目录

为什么选择Keras

主要步骤

导入库

回归案例

导入数据

数据标准化

构建网络

网络架构

训练网络

保存模型

评估模型

history对象

loss-mae

二分类

导入数据

数据标准化

数据集划分

构建网络

网络架构

编译模型

训练网络

评估模型

loss-acc

多分类案例

导入数据

数据标准化

数据集划分

标签向量化

构建模型

模型编译

训练网络数据处理包括数据的收集存储使用

评估模型

l谷歌账号oss-acc曲线

待补充学习

相关文章

大模型搅拌机来了！把11个AI的结果融合输出，艾伦研究所华人团队出品

理解神经网络的本质

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

MidiaPipe +stgcn（时空图卷积网络）实现人体姿态判断（单目标）

作者信息