HTML CSS JAVASCRIPT PYTHON PYTHON2 JAVA C C++ C# SQL Excel Linux AI BOOTSTRAP PHP 教程库 参考手册 技术文章 测验 练习 HOWTO FAQ
❮ 上一节 下一节 ❯

Keras - 模型编译

之前，我们学习了如何使用顺序和函数 API 创建模型的基础知识。本章介绍如何编译模型。编译是创建模型的最后一步。编译完成后，我们就可以进入训练阶段了。

让我们学习一些概念，以便更好地理解编译过程。

损失

在机器学习中，损失函数用于在学习过程中查找错误或偏差。Keras 在模型编译过程中需要损失函数。

Keras 在 losses 模块中提供了相当多的损失函数，它们如下 −

  • mean_squared_error
  • mean_absolute_error
  • mean_absolute_percentage_error
  • mean_squared_logarithmic_error
  • squared_hinge
  • hinge
  • categorical_hinge
  • logcosh
  • huber_loss
  • categorical_crossentropy
  • sparse_categorical_crossentropy
  • binary_crossentropy
  • kullback_leibler_divergence
  • poisson
  • cosine_proximity
  • is_categorical_crossentropy

以上所有损失函数都接受两个参数−

  • y_true − true 标签作为张量

  • y_pred − 与 y_true 具有相同形状的预测

在使用损失函数之前，请先导入损失模块，如下所示 −

from keras import losses

优化器

在机器学习中，优化是一个重要的过程，它通过比较预测和损失函数来优化输入权重。 Keras 提供了相当多的优化器作为模块，optimizers，它们如下：：

SGD − 随机梯度下降优化器。

keras.optimizers.SGD(learning_rate = 0.01, motivation = 0.0, nesterov = False)

RMSprop − RMSProp 优化器。

keras.optimizers.RMSprop(learning_rate = 0.001, rho = 0.9)

Adagrad − Adagrad 优化器。

keras.optimizers.Adagrad(learning_rate = 0.01)

Adadelta − Adadelta 优化器。

keras.optimizers.Adadelta(learning_rate = 1.0, rho = 0.95)

Adam − Adam 优化器。

keras.optimizers.Adam(
learning_rate = 0.001, beta_1 = 0.9, beta_2 = 0.999, amsgrad = False
)

Adamax − Adam 的 Adamax 优化器。

keras.optimizers.Adamax(learning_rate = 0.002, beta_1 = 0.9, beta_2 = 0.999)

Nadam − Nesterov Adam 优化器。

keras.optimizers.Nadam(learning_rate = 0.002, beta_1 = 0.9, beta_2 = 0.999)

使用优化器之前，请先导入优化器模块，如下所示 −

from keras import optimizers

Metrics(指标)

在机器学习中，Metrics(指标)用于评估模型的性能。它类似于损失函数，但不用于训练过程。 Keras 以模块形式提供了相当多的指标，metrics，它们如下

  • accuracy
  • binary_accuracy
  • categorical_accuracy
  • sparse_categorical_accuracy
  • top_k_categorical_accuracy
  • sparse_top_k_categorical_accuracy
  • cosine_proximity
  • clone_metric

与损失函数类似，metrics 也接受以下两个参数 −

  • y_true − true 标签作为张量

  • y_pred −与 y_true 形状相同的预测

在使用指标之前，请先导入指标模块，如下所示 −

from keras import metrics

编译模型

Keras 模型提供了一种方法 compile() 来编译模型。compile() 方法的参数和默认值如下

compile(
   optimizer, 
   loss = None, 
   metrics = None, 
   loss_weights = None, 
   sample_weight_mode = None, 
   weighted_metrics = None, 
   target_tensors = None
)

重要参数如下 −

  • loss function
  • Optimizer
  • metrics

编译模式的示例代码如下 −

from keras import losses 
from keras import optimizers 
from keras import metrics 

model.compile(loss = 'mean_squared_error',  
   optimizer = 'sgd', metrics = [metrics.categorical_accuracy])

其中，

  • loss 函数设置为 mean_squared_error

  • optimizer 设置为 sgd

  • metrics 设置为 metrics.categorical_accuracy

模型训练

使用 fit() 通过 NumPy 数组训练模型。此 fit 函数的主要目的是评估训练中的模型。这也可以用于绘制模型性能图表。它具有以下语法 −

model.fit(X, y, epochs = , batch_size = )

这里，

  • X, y − 它是一个用于评估数据的元组。

  • epochs − 训练期间需要评估模型的次数。

  • batch_size − 训练实例。

让我们以 numpy 随机数据的简单示例来使用这个概念。

创建数据

让我们在下面提到的命令的帮助下使用 numpy 为 x 和 y 创建随机数据 −

import numpy as np 

x_train = np.random.random((100,4,8)) 
y_train = np.random.random((100,10))

现在，创建随机验证数据，

x_val = np.random.random((100,4,8))
y_val = np.random.random((100,10))

创建模型

让我们创建简单的顺序模型 −

from keras.models import Sequential model = Sequential()

添加层

创建层以添加模型 −

from keras.layers import LSTM, Dense

# 添加维度为 16 的向量序列
model.add(LSTM(16, return_sequences = True))
model.add(Dense(10,activation = 'softmax'))

编译模型

现在模型已定义。您可以使用以下命令进行编译−

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

应用 fit()

现在我们应用 fit() 函数来训练我们的数据 −

model.fit(x_train, y_train, batch_size = 32, epochs = 5, validation_data = (x_val, y_val))

创建多层感知器 ANN

我们已经学会了创建、编译和训练 Keras 模型。

让我们应用我们的学习并创建一个简单的基于 MPL 的 ANN。

数据集模块

在创建模型之前，我们需要选择一个问题，需要收集所需的数据并将数据转换为 NumPy 数组。一旦收集到数据，我们就可以准备模型并使用收集到的数据对其进行训练。数据收集是机器学习最困难的阶段之一。 Keras 提供了一个特殊的模块 datasets，用于下载在线机器学习数据以进行训练。它从在线服务器获取数据，处理数据并将数据作为训练和测试集返回。让我们检查一下 Keras 数据集模块提供的数据。模块中可用的数据如下，

  • CIFAR10 小图像分类
  • CIFAR100 小图像分类
  • IMDB 电影评论情绪分类
  • 路透社新闻专线主题分类
  • 手写数字的 MNIST 数据库
  • 时尚文章的 Fashion-MNIST 数据库
  • 波士顿房价回归数据集

让我们使用 MNIST 手写数字数据库(或 minst)作为输入。minst 是 60,000 个 28x28 灰度图像的集合。它包含 10 个数字。它还包含 10,000 张测试图像。

以下代码可用于加载数据集 −

from keras.datasets import mnist 

(x_train, y_train), (x_test, y_test) = mnist.load_data()

其中

  • 第 1 行 从 keras 数据集模块导入 minst。

  • 第 3 行 调用 load_data 函数，该函数将从在线服务器获取数据并将数据作为 2 个元组返回，第一个元组 (x_train, y_train) 表示形状为 (number_sample, 28, 28) 的训练数据及其形状为 (number_samples, ) 的数字标签。第二个元组 (x_test, y_test) 表示具有相同形状的测试数据。

也可以使用类似的 API 获取其他数据集，并且每个 API 也返回类似的数据，只是数据形状不同。数据的形状取决于数据的类型。

创建模型

让我们选择一个简单的多层感知器 (MLP)，如下所示，并尝试使用 Keras 创建模型。

创建模型

该模型的核心功能如下 −

  • 输入层由 784 个值组成 (28 x 28 = 784)。

  • 第一个隐藏层，Dense，由 512 个神经元和"relu"激活函数组成。

  • 第二个隐藏层，Dropout，其值为 0.2。

  • 第三个隐藏层，同样是 Dense，由以下层组成512 个神经元和"relu"激活函数。

  • 第四个隐藏层，Dropout 的值为 0.2。

  • 第五层和最后一层由 10 个神经元和"softmax"激活函数组成。

  • 使用 categorical_crossentropy 作为损失函数。

  • 使用 RMSprop() 作为优化器。

  • 使用 accuracy 作为指标。

  • 使用 128 作为批次大小。

  • 使用 20 作为时期。

步骤 1 −导入模块

让我们导入必要的模块。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np

步骤 2 − 加载数据

让我们导入 mnist 数据集。

(x_train, y_train), (x_test, y_test) = mnist.load_data()

步骤 3 − 处理数据

让我们根据我们的模型更改数据集，以便可以将其输入到我们的模型中。

x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 

y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10)

其中

  • reshape 用于将输入从 (28, 28) 元组重塑为 (784, )

  • to_categorical 用于将向量转换为二进制矩阵

步骤 4 −创建模型

让我们创建实际的模型。

model = Sequential()
model.add(Dense(512,activation = 'relu',input_shape = (784,)))
model.add(Dropout(0.2))
model.add(Dense(512,activation = 'relu'))
model.add(Dropout(0.2))
model.add(Dense(10,activation = 'softmax'))

步骤 5 −编译模型

让我们使用选定的损失函数、优化器和指标来编译模型。

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

步骤 6 − 训练模型

让我们使用 fit() 方法训练模型。

history = model.fit(
   x_train, y_train, 
   batch_size = 128, 
   epochs = 20, 
   verbose = 1, 
   validation_data = (x_test, y_test)
)

最终想法

我们已经创建了模型，加载了数据，并将数据训练到模型中。 我们仍然需要评估模型并预测未知输入的输出，我们将在下一章中学习这一点。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np 

(x_train, y_train), (x_test, y_test) = mnist.load_data() 

x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 

y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10) 

model = Sequential() 
model.add(Dense(512, activation='relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(10, activation = 'softmax'))
model.compile(loss = 'categorical_crossentropy', 
   optimizer = RMSprop(), 
   metrics = ['accuracy']) 

history = model.fit(x_train, y_train, 
   batch_size = 128, epochs = 20, verbose = 1, validation_data = (x_test, y_test))

执行应用程序将输出以下内容 −

Train on 60000 samples, validate on 10000 samples Epoch 1/20 
60000/60000 [==============================] - 7s 118us/step - loss: 0.2453 
- acc: 0.9236 - val_loss: 0.1004 - val_acc: 0.9675 Epoch 2/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.1023 
- acc: 0.9693 - val_loss: 0.0797 - val_acc: 0.9761 Epoch 3/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.0744 
- acc: 0.9770 - val_loss: 0.0727 - val_acc: 0.9791 Epoch 4/20 
60000/60000 [==============================] - 7s 110us/step - loss: 0.0599 
- acc: 0.9823 - val_loss: 0.0704 - val_acc: 0.9801 Epoch 5/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0504 
- acc: 0.9853 - val_loss: 0.0714 - val_acc: 0.9817 Epoch 6/20 
60000/60000 [==============================] - 7s 111us/step - loss: 0.0438 
- acc: 0.9868 - val_loss: 0.0845 - val_acc: 0.9809 Epoch 7/20 
60000/60000 [==============================] - 7s 114us/step - loss: 0.0391 
- acc: 0.9887 - val_loss: 0.0823 - val_acc: 0.9802 Epoch 8/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0364 
- acc: 0.9892 - val_loss: 0.0818 - val_acc: 0.9830 Epoch 9/20 
60000/60000 [==============================] - 7s 113us/step - loss: 0.0308 
- acc: 0.9905 - val_loss: 0.0833 - val_acc: 0.9829 Epoch 10/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0289 
- acc: 0.9917 - val_loss: 0.0947 - val_acc: 0.9815 Epoch 11/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0279 
- acc: 0.9921 - val_loss: 0.0818 - val_acc: 0.9831 Epoch 12/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0260 
- acc: 0.9927 - val_loss: 0.0945 - val_acc: 0.9819 Epoch 13/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0257 
- acc: 0.9931 - val_loss: 0.0952 - val_acc: 0.9836 Epoch 14/20
60000/60000 [==============================] - 7s 112us/step - loss: 0.0229 
- acc: 0.9937 - val_loss: 0.0924 - val_acc: 0.9832 Epoch 15/20 
60000/60000 [==============================] - 7s 115us/step - loss: 0.0235 
- acc: 0.9937 - val_loss: 0.1004 - val_acc: 0.9823 Epoch 16/20 
60000/60000 [==============================] - 7s 113us/step - loss: 0.0214 
- acc: 0.9941 - val_loss: 0.0991 - val_acc: 0.9847 Epoch 17/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0219 
- acc: 0.9943 - val_loss: 0.1044 - val_acc: 0.9837 Epoch 18/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0190 
- acc: 0.9952 - val_loss: 0.1129 - val_acc: 0.9836 Epoch 19/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0197 
- acc: 0.9953 - val_loss: 0.0981 - val_acc: 0.9841 Epoch 20/20 
60000/60000 [==============================] - 7s 112us/step - loss: 0.0198 
- acc: 0.9950 - val_loss: 0.1215 - val_acc: 0.9828
❮ 上一节 下一节 ❯