keras —— 常见问题汇总

如何引用keras？

如果keras对您的研究有帮助，请在出版物中引用。BibTeX例子如下：

@misc{chollet2015keras,  title={Keras},  author={Chollet, Fran\c{c}ois and others},  year={2015},  publisher={GitHub},  howpublished={\url{https://github.com/fchollet/keras}},}

如何在GPU上运行keras？

如果运行在TensorFlow后端上，代码会自动运行在检测到的GPU上。

如果运行在Theano后端上，可使用方法有：

1、使用Theano标志

THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py

'gpu'根据你的设备更改识别（例如gpu0, gpu1等等）

2、设置.theanorc

3、在代码最前面手动设置theano.config.device，theano.config.floatX

import theanotheano.config.device = 'gpu'theano.config.floatX = 'float32'

如何保存Keras模型？

不推荐用pickle或者cPickle来保存Keras模型。

可以使用model.save(filepath)将Keras模型保存到HDF5文件，包含：

-模型结构，可重建模型

-模型权重

-训练设置（损失、优化器）

-优化器状态，可恢复训练

然后使用keras.models.load_model(filepath)重新实例化模型。load_model会使用保存的训练设置重新编译模型。

例如：

from keras.models import load_modelmodel.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'del model  # deletes the existing model# returns a compiled model# identical to the previous onemodel = load_model('my_model.h5')

如果你只需要保存模型的结构，不需要权重和训练设置，则可以：

# save as JSONjson_string = model.to_json()# save as YAMLyaml_string = model.to_yaml()

生成的JSON/YAML文件具有可读性，如需要可以手工修改。

也可以从这个数据中重新构建新模型：

# model reconstruction from JSON:from keras.models import model_from_jsonmodel = model_from_json(json_string)# model reconstruction from YAMLfrom keras.models import model_from_yamlmodel = model_from_yaml(yaml_string)

如果只需要保存模型的权重，可以在HDF5文件中使用以下代码。注意你需要已安装HDF5和h5py。

model.save_weights('my_model_weights.h5')

假定已实例化模型，然后可以将保存的权重加载到具有相同结构的模型中去

model.load_weights('my_model_weights.h5')

如果需要将权重加载到不同结构（有一些相同层），例如为细调或者转化学习，可以用层名称载入权重

model.load_weights('my_model_weights.h5', by_name=True)

举例如下：

"""Assume original model looks like this:    model = Sequential()    model.add(Dense(2, input_dim=3, name="dense_1"))    model.add(Dense(3, name="dense_2"))    ...    model.save_weights(fname)"""# new modelmodel = Sequential()model.add(Dense(2, input_dim=3, name="dense_1"))  # will be loadedmodel.add(Dense(10, name="new_dense"))  # will not be loaded# load weights from first model; will only affect the first layer, dense_1.model.load_weights(fname, by_name=True)

如何获得中间层的输出？

一个简单的方法是构建一个新模型输出你感兴趣的层。

from keras.models import Modelmodel = ...  # create the original modellayer_name = 'my_layer'intermediate_layer_model = Model(inputs=model.input,                                 outputs=model.get_layer(layer_name).output)intermediate_output = intermediate_layer_model.predict(data)

或者构建一个Keras函数返回给定输入的特定层的输出。

from keras import backend as K# with a Sequential modelget_3rd_layer_output = K.function([model.layers[0].input],                                  [model.layers[3].output])layer_output = get_3rd_layer_output([X])[0]

类似的，可以直接构建Theano和TensorFlow函数。

注意，如果模型在训练和测试阶段表现不同（例如使用Dropout，BatchNormalization等），你需要将训练阶段标志传入函数。

get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()],                                  [model.layers[3].output])# output in test mode = 0layer_output = get_3rd_layer_output([X, 0])[0]# output in train mode = 1layer_output = get_3rd_layer_output([X, 1])[0]

数据集大于内存怎么办？

可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)进行批次训练。

或者可以写一个生成器生成训练数据的批次然后使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)

应用可参考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py

如果验证损失不再下降如果打断训练？

可以使用EarlyStopping回调

from keras.callbacks import EarlyStoppingearly_stopping = EarlyStopping(monitor='val_loss', patience=2)model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])

验证分割如何计算？

如果你设置model.fit申明validation_split为0.1，那么验证集使用最后10%的数据（如果在提取验证数据前没有将数据打乱）。同一验证集用于所有阶段（在同一fit调用）。

训练时打乱数据吗？

是的，如果model.fit中的shuffle设为True（默认值），训练数据在每个阶段会随机打乱。

如何在每个结算记录训练/验证损失/准确度？

model.fit方法返回一个History回调，有一个history属性包含了连续损失及其他度量的列表。

hist = model.fit(X, y, validation_split=0.2)print(hist.history)

如果冻结Keras的层？

冻结意味着把它排除在训练外，例如权重不会更新。这在细调模型中有用，或者对文本输入使用固定嵌入。

可以传递trainable申明（boolean）到层构建器设定层为non-trainable。

frozen_layer = Dense(32, trainable=False)

额外的，可以在实例化后设置一个层的trainable属性为True或者False。需要调用compile()才使其生效。

x = Input(shape=(32,))layer = Dense(32)layer.trainable = Falsey = layer(x)frozen_model = Model(x, y)# in the model below, the weights of `layer` will not be updated during trainingfrozen_model.compile(optimizer='rmsprop', loss='mse')layer.trainable = Truetrainable_model = Model(x, y)# with this model the weights of the layer will be updated during training# (which will also affect the above model since it uses the same layer instance)trainable_model.compile(optimizer='rmsprop', loss='mse')frozen_model.fit(data, labels)  # this does NOT update the weights of `layer`trainable_model.fit(data, labels)  # this updates the weights of `layer`

如何使用状态RNNs?

X  # this is our input data, of shape (32, 21, 16)# we will feed it to our model in sequences of length 10model = Sequential()model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True))model.add(Dense(16, activation='softmax'))model.compile(optimizer='rmsprop', loss='categorical_crossentropy')# we train the network to predict the 11th timestep given the first 10:model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16)))# the state of the network has changed. We can feed the follow-up sequences:model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16)))# let's reset the states of the LSTM layer:model.reset_states()# another way to do it in this case:model.layers[0].reset_states()

如何在Keras中使用预训练模型？

我们提供以下图像分类模型的代码和预训练权重：

• Xception
• VGG16
• VGG19
• ResNet50
• Inception v3

可以使用keras.application模块导入。

from keras.applications.xception import Xceptionfrom keras.applications.vgg16 import VGG16from keras.applications.vgg19 import VGG19from keras.applications.resnet50 import ResNet50from keras.applications.inception_v3 import InceptionV3model = VGG16(weights='imagenet', include_top=True)

如何使用HDF5输入？

import h5pywith h5py.File('input/file.hdf5', 'r') as f:    X_data = f['X_data']    model.predict(X_data)

也可以使用keras.utils.io_utils中的HDF5Matrix类。

Keras设置文件储存在哪里？

默认的文件夹在$HOME/.keras/

如果因为没有权限创建上述文件夹，则可能在/tmp/.keras/