基于Theano的深度学习(Deep Learning)框架Keras学习随笔-02-Example

来源：互联网发布：网络歌曲被下架编辑：程序博客网时间：2024/06/10 03:58

这上面的keras系列文章还可以http://blog.csdn.net/niuwei22007/article/details/49053771

http://blog.csdn.net/niuwei22007/article/details/49053771原地址可以查看更多文章
下面这些例子是keras前期版本的，现在已经升级到了keras0.3.0，以下代码需要进行修改才可以。如今的代码更简洁，使用更方便，不需要自己计算每一层的输入shape，除了第一层。

下面来看几个例子，来了解一下Keras的便捷之处。不需要具体去研究代码的意思，只需要看一下这个实现过程。用编程的装饰模式把各个组件模块化，然后可以自己随意的拼装。首先介绍一个基于Keras做的手写MNIST识别的代码，剩下的就看一下实现过程即可。

No.0用Keras实现MNIST识别。

[python] view plaincopy
from keras.models import Sequential   
from keras.layers.core import Dense, Dropout,Activation   
from keras.optimizers import SGD   
from keras.datasets import mnist   
   
import numpy  
   
model = Sequential()   
model.add(Dense(784, 500, init='glorot_uniform')) # 输入层，28*28=784   
model.add(Activation('tanh')) # 激活函数是tanh   
model.add(Dropout(0.5)) # 采用50%的dropout  
   
model.add(Dense(500, 500, init='glorot_uniform')) # 隐层节点500个   
model.add(Activation('tanh'))   
model.add(Dropout(0.5))  
   
# 输出结果是10个类别，所以维度是10  
model.add(Dense(500, 10, init='glorot_uniform'))  
model.add(Activation('softmax')) # 最后一层用softmax  
   
# 设定学习率（lr）等参数   
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9,nesterov=True)    
# 使用交叉熵作为loss函数，就是熟知的log损失函数  
model.compile(loss='categorical_crossentropy',  
optimizer=sgd, class_mode='categorical')  
# 使用Keras自带的mnist工具读取数据（第一次需要联网）  
(X_train, y_train), (X_test, y_test) = mnist.load_data()  
# 由于输入数据维度是(num, 28, 28)，这里需要把后面的维度直接拼起来变成784维  
X_train = X_train.reshape(X_train.shape[0],  
X_train.shape[1]* X_train.shape[2])  
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1]* X_test.shape[2])   
# 这里需要把index转换成一个one hot的矩阵  
Y_train = (numpy.arange(10) == y_train[:,None]).astype(int)   
Y_test = (numpy.arange(10) == y_test[:,None]).astype(int)  
   
# 开始训练，这里参数比较多。batch_size就是batch_size，nb_epoch就是最多迭代的次数， shuffle就是是否把数据随机打乱之后再进行训练  
# verbose是屏显模式，官方这么说的：verbose: 0 forno logging to stdout, 1 for progress bar logging, 2 for one log line per epoch.  
# 就是说0是不屏显，1是显示一个进度条，2是每个epoch都显示一行数据  
# show_accuracy就是显示每次迭代后的正确率  
# validation_split就是拿出百分之多少用来做交叉验证  
model.fit(X_train, Y_train, batch_size=200, nb_epoch=100,shuffle=True, verbose=1, show_accuracy=True, validation_split=0.3)   
print 'test set'   
model.evaluate(X_test, Y_test, batch_size=200,show_accuracy=True, verbose=1)  

No.1用Keras实现MLP(1)

[python] view plaincopy
from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation  
from keras.optimizers import SGD  
   
model = Sequential()  
# Dense(input, output, init=’wegiths initial method’)  
model.add(Dense(20, 64, init='uniform'))  
model.add(Activation('tanh')) # 激活函数  
model.add(Dropout(0.5))     #采用50%的dropout  
   
model.add(Dense(64, 64, init='uniform'))  
model.add(Activation('tanh'))  
model.add(Dropout(0.5))  
   
model.add(Dense(64, 2, init='uniform'))  
model.add(Activation('softmax'))  
   
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)#设定学习速度，衰减量等  
model.compile(loss='mean_squared_error', optimizer=sgd) #损失函数为均方误差  
   
# ………此处是加载训练数据的的代码。  
   
# 开始训练。nb_epoch是迭代次数，batcn_size是数据块大小。  
model.fit(X_train, y_train, nb_epoch=20, batch_size=16)  
score = model.evaluate(X_test, y_test, batch_size=16)  

No.2用Keras实现MLP(2)：比(1)更简洁

[python] view plaincopy
model = Sequential()  
model.add(Dense(20, 64, init='uniform', activation='tanh'))  
model.add(Dropout(0.5))  
model.add(Dense(64, 64, init='uniform', activation='tanh'))  
model.add(Dropout(0.5))  
model.add(Dense(64, 2, init='uniform', activation='softmax'))  
   
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)  
model.compile(loss='mean_squared_error', optimizer=sgd)  

No.3 VGG-like卷积网络。

[python] view plaincopy
from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation,Flatten  
from keras.layers.convolutional import Convolution2D,MaxPooling2D  
from keras.optimizers import SGD  
   
model = Sequential()  
model.add(Convolution2D(32, 3, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(32, 32, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
model.add(Dropout(0.25))  
   
model.add(Convolution2D(64, 32, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(64, 64, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
model.add(Dropout(0.25))  
   
model.add(Flatten())  
model.add(Dense(64*8*8, 256))  
model.add(Activation('relu'))  
model.add(Dropout(0.5))  
   
model.add(Dense(256, 10))  
model.add(Activation('softmax'))  
   
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)  
model.compile(loss='categorical_crossentropy',optimizer=sgd)  
   
model.fit(X_train, Y_train, batch_size=32, nb_epoch=1)  

No.4长短期记忆网络用于序列分类。

[python] view plaincopy
from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation,Flatten  
from keras.layers.convolutional import Convolution2D,MaxPooling2D  
from keras.optimizers import SGD  
   
model = Sequential()  
model.add(Convolution2D(32, 3, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(32, 32, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
model.add(Dropout(0.25))  
   
model.add(Convolution2D(64, 32, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(64, 64, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
model.add(Dropout(0.25))  
   
model.add(Flatten())  
model.add(Dense(64*8*8, 256))  
model.add(Activation('relu'))  
model.add(Dropout(0.5))  
   
model.add(Dense(256, 10))  
model.add(Activation('softmax'))  
   
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)  
model.compile(loss='categorical_crossentropy',optimizer=sgd)  
   
model.fit(X_train, Y_train, batch_size=32, nb_epoch=1)  

No.5图像字幕识别。

[python] view plaincopy
max_caption_len = 16  
   
model = Sequential()  
model.add(Convolution2D(32, 3, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(32, 32, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
   
model.add(Convolution2D(64, 32, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(64, 64, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
   
model.add(Convolution2D(128, 64, 3, 3, border_mode='full'))  
model.add(Activation('relu'))  
model.add(Convolution2D(128, 128, 3, 3))  
model.add(Activation('relu'))  
model.add(MaxPooling2D(poolsize=(2, 2)))  
   
model.add(Flatten())  
model.add(Dense(128*4*4, 256))  
model.add(Activation('relu'))  
model.add(Dropout(0.5))  
   
model.add(RepeatVector(max_caption_len))  
# the GRU below returns sequences of max_caption_lenvectors of size 256 (our word embedding size)  
model.add(GRU(256, 256, return_sequences=True))  
   
model.compile(loss='mean_squared_error', optimizer='rmsprop')  
   
# "images" is a numpy array of shape(nb_samples, nb_channels=3, width, height)  
# "captions" is a numpy array of shape(nb_samples, max_caption_len=16, embedding_dim=256)  
# captions are supposed already embedded (dense vectors).  
model.fit(images, captions, batch_size=16, nb_epoch=100)  

参考资料：

官方教程
http://ju.outofmemory.cn/entry/188683

0 0