Keras-1 学习Keras，从Hello World开始

Keras Hello World

最近开始学习Keras，个人觉得最有效的学习方法就是写很多很多代码，熟能成巧。我们先从最简单的例子来学习Keras，Keras版的Hello World。
在这个例子中，我们的任务是进行花朵的分类。

• 本文的代码来自 这里，作者将Keras与sklearn进行了比较，有详细代码的解释。本文只做Keras部分的内容，删去了原本sklearn的内容
• 本文为个人的代码记录，只为记录在写代码时的困惑，并假设读者有一些深度学习的基本概念。
• 完整代码在 https://github.com/jiemojiemo/Keras-Demo/tree/master/Keras_Hello_World

Keras的安装

在Keras官网中已经给出了详细的安装指南

• Linux 安装指南
• Windows 安装指南
• 但是个人还是推荐使用Anaconda进行安装，在Anaconda安装好的情况下使用以下命令进行安装Keras
  

• 创建名为keras的环境
  conda create -n keras python=3
• 进入环境
  activate keras
• 安装keras
  conda install keras
• 安装TensorFlow
  pip install tensorflow
• 安装一些必要的库(缺啥装啥)
  conda install jupyter notebook numpy matplotlib

Anaconda的下载速度可以通过设置国内镜像来提到，具体请看Windows下有什么办法提高conda install的速度？

让我们开始吧

首先，我们先导入模块，一些常见的模块如numpy, matplotlib就不解释了。

• seaborn 一个matplotlib的高级封装，让画图更简单漂亮，但是在这个例子中，我们主要用它来导入数据
• Sequential 叫做“序贯模型”，是Keras模型之一。详见关于Keras模型
• keras.layers.core 常用层模块，包括全连接层(Dense)，激活层等。详见常用层
• keras.utils utils工具模块，提供了一系列有用的工具。详见utils工具

%matplotlib inlineimport matplotlib.pyplot as pltimport seaborn as snsimport numpy as npfrom sklearn.model_selection import train_test_splitimport pandas as pdfrom keras.models import Sequentialfrom keras.layers.core import Dense, Activationfrom keras.utils import np_utils

导入数据

• sns.load_dataset('iris')导入iris数据库，iris包含了150条花的记录,前四个length和width是花的属性，species是花的种共有三种花，分别是setosa，versicolor和virginica。
• iris.head()查看数据。
• sns.pairplot(iris, hue='species')用于显示数据(这不是我们要关注的内容)

iris = sns.load_dataset('iris')iris.head()

sepal_length sepal_width petal_length petal_width species 0 5.1 3.5 1.4 0.2 setosa 1 4.9 3.0 1.4 0.2 setosa 2 4.7 3.2 1.3 0.2 setosa 3 4.6 3.1 1.5 0.2 setosa 4 5.0 3.6 1.4 0.2 setosa

sns.pairplot(iris, hue='species')

<seaborn.axisgrid.PairGrid at 0x1bdee328710>

训练集和测试集

• train_test_split将数据集分割为训练集和测试集，train_size为训练集占整个数据集的大小，random_state为随机种子（详见这里）

X = iris.values[:, :4]y = iris.values[:, 4]

train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.8, random_state=0)

One-Hot-Encoding

• 深度网络只能接受数字作为输入，iris数据集中species是字符串类型的，因此我们需要将其数字化。
• One-hot encoding 就是这样一种数字化的编码方法，相关概念详见数据处理——One-Hot Encoding
• 下面给出两种不同的one-hot encoding的实现方式，它们并没有差别

def one_hot_encode_object_array(arr):    uniques, ids = np.unique(arr, return_inverse=True)    return np_utils.to_categorical(ids, len(uniques))

# if you are a pandas man ...def one_hot_encode_object_array_pandas(arr):    return pd.get_dummies(arr).values

train_y_ohe = one_hot_encode_object_array_pandas(train_y)test_y_ohe = one_hot_encode_object_array_pandas(test_y)

搭起我们的网络结构

• 我们要搭的网络很简单，只有两层，可以表示为 4-16-3，隐层激活函数是sigmoid，输出层时softmax
• Sequential是多个网络层的线性堆叠，也就是“一条路走到黑”
• Dense就是全连接层了，注意的是，第一层网络需要指明输入数据的大小，后面层就不需要了，keras会自动推导
• Activation是激活层，常见的激活函数有sigmoid, softmax, ReLU等等

model = Sequential()# hidden layermodel.add(Dense(16, input_shape=(4,)))model.add(Activation('sigmoid'))# output layermodel.add(Dense(3))model.add(Activation('softmax'))

Compile 编译

• 对学习过程进行配置。详见编译

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

Training 训练

• verbose 是否打印训练log
• validation_split 验证集的大小，关于验证集，简单的说就是用于调整模型参数（模型结构，学习速率，batch_size等等）。人们通过观察训练时的模型在验证集上的表现，来对自己模型作出调整

model.fit(train_X, train_y_ohe, epochs=100, batch_size=1, verbose=0, validation_split=0.2)

<keras.callbacks.History at 0x195e2abcf98>

Test 测试

loss, accuracy = model.evaluate(test_X, test_y_ohe, verbose=0)print('Accuracy = {:.2f}'.format(accuracy))

Accuracy = 1.00

总结

对于一个深度学习的任务，大致可以分为以下三个部分
1. 数据的准备。包括数据的获取，数据清洗，数据预处理等等
2. 模型的构建。采用何种模型，网络结构是怎样的等都要考虑
3. 参数的调整。通过反复训练来进行参数的调整，通常这也是最花时间的