Skip to content

Latest commit

 

History

History
160 lines (99 loc) · 5.83 KB

introduction-python-deep-learning-library-keras.md

File metadata and controls

160 lines (99 loc) · 5.83 KB

Python 深度学习库 Keras 简介

原文： https://machinelearningmastery.com/introduction-python-deep-learning-library-keras/

Python 中两个为深度学习研究和开发提供基础的顶级数字平台是 Theano 和 TensorFlow。

两者都是非常强大的库，但两者都难以直接用于创建深度学习模型。

在这篇文章中，您将发现 Keras Python 库，它提供了一种在 Theano 或 TensorFlow 上创建一系列深度学习模型的简便的方法。

让我们开始吧。

2016 年 10 月更新：更新了 Keras 1.1.0，Theano 0.8.2 和 TensorFlow 0.10.0 的示例。

Introduction to the Python Deep Learning Library Keras

Python 深度学习库 Keras 简介 照片由 Dennis Jarvis 拍摄，保留一些权利。

什么是 Keras？

Keras 是一个用于深度学习的极简主义 Python 库，可以在 Theano 或 TensorFlow 之上运行。

它的开发旨在使深度学习模型的研究和开发尽可能快速简便地实施。

它运行在 Python 2.7 或 3.5 上，并且可以在给定底层框架的情况下在 GPU 和 CPU 上无缝执行。它是在许可的 MIT 许可下发布的。

Keras 由FrançoisChollet开发和维护，他是一位 Google 工程师，使用四个指导原则：

  • 模块性：模型可以理解为单独的序列或图形。深度学习模型的所有关注点都是可以以任意方式组合的离散组件。
  • 极简主义：该库提供了足够的结果，没有多余的装饰和最大化的可读性。
  • 可扩展性：新组件有意在框架内轻松添加和使用，供研究人员试用和探索新想法。
  • Python ：没有自定义文件格式的单独模型文件。一切都是原生 Python。

如何安装 Keras

如果您已经拥有可用的 Python 和 SciPy 环境，那么 Keras 的安装将相对简单。

您还必须在系统上安装 Theano 或 TensorFlow。

您可以在此处查看两个平台的安装说明：

使用 PyPI 可以轻松安装 Keras，如下所示：

sudo pip install keras

在撰写本文时，Keras 的最新版本是 1.1.0 版。您可以使用以下代码段在命令行上检查您的 Keras 版本：

您可以使用以下代码段在命令行上检查您的 Keras 版本：

python -c "import keras; print keras.__version__"

运行上面的脚本你会看到：

1.1.0

您可以使用相同的方法升级 Keras ：

sudo pip install --upgrade keras

针对 Keras 的 Theano 和 TensorFlow 后端

假设您同时安装了 Theano 和 TensorFlow，则可以配置 Keras 使用的后端。

最简单的方法是在主目录中添加或编辑 Keras 配置文件：

~/.keras/keras.json

其格式如下：

{
    "image_dim_ordering": "tf", 
    "epsilon": 1e-07, 
    "floatx": "float32", 
    "backend": "tensorflow"
}

在此配置文件中，您可以将“_ 后端 _”属性从“tensorflow”（默认值）更改为“theano”。然后 Keras 将在下次运行时使用该配置。

您可以在命令行上使用以下代码段确认 Keras 使用的后端：

python -c "from keras import backend; print backend._BACKEND"

使用默认配置运行此选项，您将看到：

Using TensorFlow backend.
tensorflow

您还可以在命令行上通过指定 KERAS_BACKEND 环境变量来指定 Keras 使用的后端，如下所示：

KERAS_BACKEND=theano python -c "from keras import backend; print(backend._BACKEND)"

运行此示例打印：

Using Theano backend.
theano

使用 Keras 构建深度学习模型

Keras 的核心是模型(model)的概念。

主要类型的模型称为序列(Sequential)模型，它由多个网络层(layer)线性堆叠。

您可以按照希望执行计算的顺序来创建序列并向其添加层。

一旦定义完成，您就可以配置模型，该模型将利用底层基础框架来优化计算。在此，您可以指定损失函数和所要使用的优化器。

模型配置完成后，必须使用适合数据来训练模型。可以一次完成一批数据，也可以通过启动整个模型训练方案来完成。这是所有计算发生的地方。

完成训练后，您可以使用模型对新数据进行预测。

我们可以总结一下 Keras 深度学习模型的构建过程如下：

  1. 定义模型。创建序列并添加层。
  2. 配置模型。指定损失函数和优化器。
  3. 训练模型。使用数据训练模型。
  4. 模型预测。使用该模型生成对新数据的预测。

Keras 资源

下面的列表提供了一些其他资源，您可以通过它们来了解有关 Keras 的更多信息。

您是否正在寻找一个良好的深度学习教程来开启学习之旅，请看看：

摘要

在这篇文章中，您了解了用于深度学习研究和开发的 Keras Python 库。

知晓 Keras 专为极简主义和模块化而设计，允许您快速定义深度学习模型并以 Theano 或 TensorFlow 作为后端运行它们。

你对 Keras 或这篇文章有任何疑问吗？请在评论中提出您的问题，我会尽力回答。