Keras TensorFlow教程:如何从零开发一个复杂深度学习模型
Keras 是提供一些高可用的 Python API ,能帮助你快速的构建和训练自己的深度学习模型,它的后端是 TensorFlow 或者 Theano 。本文假设你已经熟悉了 TensorFlow 和卷积神经网络,如果,你还没有熟悉,那么可以先看看这个 10分钟入门 TensorFlow 教程 和 卷积神经网络教程 ,然后再回来阅读这个文章。
在这个教程中,我们将学习以下几个方面:
- 为什么选择 Keras?为什么 Keras 被认为是深度学习的未来?
- 在Ubuntu上面一步一步安装Keras。
- Keras TensorFlow教程:Keras基础知识。
-
了解 Keras 序列模型
4.1 实际例子讲解线性回归问题 - 使用 Keras 保存和回复预训练的模型
-
Keras API
6.1 使用Keras API开发VGG卷积神经网络
6.2 使用Keras API构建并运行SqueezeNet卷积神经网络
1. 为什么选择Keras?
Keras 是 Google 的一位工程师 François Chollet 开发的一个框架,可以帮助你在 Theano 上面进行快速原型开发。后来,这被扩展为 TensorFlow 也可以作为后端。并且最近,TensorFlow决定将其作为 contrib 文件中的一部分进行提供。
Keras 被认为是构建神经网络的未来,以下是一些它流行的原因:
- 轻量级和快速开发:Keras 的目的是在消除样板代码。几行 Keras 代码就能比原生的 TensorFlow 代码实现更多的功能。你也可以很轻松的实现 CNN 和 RNN,并且让它们运行在 CPU 或者 GPU 上面。
- 框架的“赢者”:Keras 是一个API,运行在别的深度学习框架上面。这个框架可以是 TensorFlow 或者 Theano。Microsoft 也计划让 CNTK 作为 Keras 的一个后端。目前,神经网络框架世界是非常分散的,并且发展非常快。具体,你可以看看 Karpathy 的这个推文:
想象一下,我们每年都要去学习一个新的框架,这是多么的痛苦。到目前为止,TensorFlow 似乎成为了一种潮流,并且越来越多的框架开始为 Keras 提供支持,它可能会成为一种标准。
目前,Keras 是成长最快的一种深度学习框架。因为可以使用不同的深度学习框架作为后端,这也使得它成为了流行的一个很大的原因。你可以设想这样一个场景,如果你阅读到了一篇很有趣的论文,并且你想在你自己的数据集上面测试这个模型。让我们再次假设,你对TensorFlow 非常熟悉,但是对Theano了解的非常少。那么,你必须使用TensorFlow 对这个论文进行复现,但是这个周期是非常长的。但是,如果现在代码是采用Keras写的,那么你只要将后端修改为TensorFlow就可以使用代码了。这将是对社区发展的一个巨大的推动作用。
2. 怎么安装Keras,并且把TensorFlow作为后端
a) 依赖安装
安装 h5py,用于模型的保存和载入:
pip
install
h5py
还有一些依赖包也要安装。
pip
install
numpy
scipy
pip
install
pillow
如果你还没有安装TensorFlow,那么你可以按照这个 教程 先去安装TensorFlow。一旦,你安装完成了 TensorFlow,你只需要使用 pip 很容易的安装 Keras。
sudo pip
install
keras
使用以下命令来查看 Keras 版本。
>>
> import keras
Using TensorFlow backend.
>>
> keras.__version_
_
'2.0.4'
一旦,Keras 被安装完成,你需要去修改后端文件,也就是去确定,你需要 TensorFlow 作为后端,还是 Theano 作为后端,修改的配置文件位于
~/.keras/keras.json
。具体配置如下:
{
"floatx"
:
"float32"
,
"epsilon"
:
1e-07
,
"backend"
:
"tensorflow"
,
"image_data_format"
:
"channels_last"
}
请注意,参数
image_data_format
是
channels_last
,也就是说这个后端是 TensorFlow。因为,在TensorFlow中图像的存储方式是
[height, width, channels]
,但是在Theano中是完全不同的,也就是
[channels, height, width]
。因此,如果你没有正确的设置这个参数,那么你模型的中间结果将是非常奇怪的。对于Theano来说,这个参数就是
channels_first
。
那么,至此你已经准备好了,使用Keras来构建模型,并且把TensorFlow作为后端。
3. Keras基础知识
在Keras中主要的数据结构是 model ,该结构定义了一个完整的图。你可以向已经存在的图中加入任何的网络结构。
import
keras
Keras 有两种不同的建模方式:
- Sequential models: 这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。
- Functional API: Keras的API是非常强大的,你可以利用这些API来构造更加复杂的模型,比如多输出模型,有向无环图等等。
在本文的下一节中,我们将学习Keras的Sequential models 和 Functional API的理论和实例。
4. Keras Sequential models
在这一部分中,我将来介绍Keras Sequential models的理论。我将快速的解释它是如何工作的,还会利用具体代码来解释。之后,我们将解决一个简单的线性回归问题,你可以在阅读的同时运行代码,来加深印象。
以下代码是如何开始导入和构建序列模型。
from keras.models
import
Sequential
models =
Sequential
()
接下来我们可以向模型中添加 Dense(full connected layer),Activation,Conv2D,MaxPooling2D函数。
from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten, Dropout
model.add(Conv2D(
64
, (
3
,
3
), activation='relu', input_shape = (
100
,
100
,
32
)))
# This ads a Convolutional layer with
64
filters of size
3
*
3
to the graph
以下是如何将一些最流行的图层添加到网络中。我已经在 卷积神经网络教程 中写了很多关于图层的描述。
1. 卷积层
这里我们使用一个卷积层,64个卷积核,维度是3
3的,之后采用
relu
激活函数进行激活,输入数据的维度是 `100
100*32`。注意,如果是第一个卷积层,那么必须加上输入数据的维度,后面几个这个参数可以省略。
model.add(Conv2D(
64
, (
3
,
3
), activation='relu', input_shape = (
100
,
100
,
32
)))
2. MaxPooling 层
指定图层的类型,并且指定赤的大小,然后自动完成赤化操作,酷毙了!
model.add(MaxPooling2D(pool_size=(
2
,
2
)))
3. 全连接层
这个层在 Keras 中称为被称之为 Dense 层,我们只需要设置输出层的维度,然后Keras就会帮助我们自动完成了。
model.
add
(Dense(
256
, activation=
'relu'
))
4. Dropout
model
.add
(
Dropout
(0
.5
))
5. 扁平层
model.
add
(Flatten())
数据输入
网络的第一层需要读入训练数据。因此我们需要去制定输入数据的维度。因此, input_shape 参数被用于制定输入数据的维度大小。
model.add(Conv2D(
32
, (
3
,
3
), activation='relu', input_shape=(
224
,
224
,
3
)))
在这个例子中,数据输入的第一层是一个卷积层,输入数据的大小是 224*224*3 。
以上操作就帮助你利用序列模型构建了一个模型。接下来,让我们学习最重要的一个部分。一旦你指定了一个网络架构,你还需要指定优化器和损失函数。我们在Keras中使用compile函数来达到这个功能。比如,在下面的代码中,我们使用
rmsprop
来作为优化器,
binary_crossentropy
来作为损失函数值。
model
.compile(loss=
'binary_crossentropy'
, optimizer=
'rmsprop'
)
如果你想要使用随机梯度下降,那么你需要选择合适的初始值和超参数:
from keras.optimizers
import
SGD
sgd
= SGD(
lr=0.01,
decay=1e-6,
momentum=0.9,
nesterov=True)
model.compile(
loss='categorical_crossentropy',
optimizer=sgd)
现在,我们已经构建完了模型。接下来,让我们向模型中输入数据,在Keras中是通过 fit 函数来实现的。你也可以在该函数中指定 batch_size 和 epochs 来训练。
model.fit(x_train, y_train, batch_size =
32
, epochs =
10
, validation_data(x_val, y_val))
最后,我们使用 evaluate 函数来测试模型的性能。
score
= model.evaluate(x_test, y_test, batch_size =
32
)
这些就是使用序列模型在Keras中构建神经网络的具体操作步骤。现在,我们来构建一个简单的线性回归模型。
4.1 实际例子讲解线性回归问题
问题陈述
在线性回归问题中,你可以得到很多的数据点,然后你需要使用一条直线去拟合这些离散点。在这个例子中,我们创建了100个离散点,然后用一条直线去拟合它们。
a) 创建训练数据
TrainX 的数据范围是 -1 到 1,TrainY 与 TrainX 的关系是3倍,并且我们加入了一些噪声点。
import
keras
from
keras.models
import
Sequential
from
keras.layers
import
Dense
import
numpy
as
np
trX
= np.linspace(
-1
,
1
,
101
)
trY
=
3
* trX + np.random.randn(*trX.shape) *
0.33
b) 构建模型
首先我们需要构建一个序列模型。我们需要的只是一个简单的链接,因此我们只需要使用一个 Dense 层就够了,然后用线性函数进行激活。
model
= Sequential()
model.add(Dense(
input_dim=1,
output_dim=1,
init='uniform',
activation='linear'))
下面的代码将设置输入数据 x,权重 w 和偏置项 b。然我们来看看具体的初始化工作。如下:
weights = model.layers[0].get_weights()
w_init = weights[
0
][
0
][
0
]
b_init = weights[
1
][
0
]
print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w
_init, b_
init))
## Linear regression model is initialized with weight w: -0.03, b: 0.00
现在,我们可以l利用自己构造的数据 trX 和 trY 来训练这个线性模型,其中 trY 是 trX 的3倍。因此,权重 w 的值应该是 3。
我们使用简单的梯度下降来作为优化器,均方误差(MSE)作为损失值。如下:
model
.compile(optimizer=
'sgd'
, loss=
'mse'
)
最后,我们使用 fit 函数来输入数据。
model.fit(trX, trY, nb_epoch=
200
, verbose=
1
)
在经过训练之后,我们再次打印权重:
weights = model.layers[0].get_weights()
w_final = weights[
0
][
0
][
0
]
b_final = weights[
1
][
0
]
print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w
_final, b_
final))
##Linear regression model is trained to have weight w: 2.94, b: 0.08
正如你所看到的,在运行 200 轮之后,现在权重非常接近于 3。你可以将运行的轮数修改为区间 [100, 300] 之间,然后观察输出结构有什么变化。现在,你已经学会了利用很少的代码来构建一个线性回归模型,如果要构建一个相同的模型,在 TensorFlow 中需要用到更多的代码。
5. 使用 Keras 保存和回复预训练的模型
HDF5 二进制格式
一旦你利用Keras完成了训练,你可以将你的网络保存在HDF5里面。当然,你需要先安装 h5py。HDF5 格式非常适合存储大量的数字收,并从 numpy 处理这些数据。比如,我们可以轻松的将存储在磁盘上的多TB数据集进行切片,就好像他们是真正的 numpy 数组一样。你还可以将多个数据集存储在单个文件中,遍历他们或者查看
.shape
和
.dtype
属性。
如果你需要信心,那么告诉你,NASA也在使用 HDF5 进行数据存储。h5py 是python对HDF5 C API 的封装。几乎你可以用C在HDF5上面进行的任何操作都可以用python在h5py上面操作。
保存权重
如果你要保存训练好的权重,那么你可以直接使用 save_weights 函数。
model
.save_weights
("
my_model
.h5
")
载入预训练权重
如果你想要载入以前训练好的模型,那么你可以使用 load_weights 函数。
model
.load_weights(
'my_model_weights.h5'
)
6. Keras API
如果对于简单的模型和问题,那么序列模型是非常好的方式。但是如果你要构建一个现实世界中复杂的网络,那么你就需要知道一些功能性的API,在很多流行的神经网络中,我们都有一个最小的网络结构,完整的模型是根据这些最小的模型进行叠加完成的。这些基础的API可以让你一层一层的构建模型。因此,你只需要很少的代码就可以来构建一个完整的复杂神经网络。
让我们来看看它是如何工作的。首先,你需要导入一些包。
from
keras.models
import
Model
现在,你需要去指定输入数据,而不是在顺序模型中,在最后的
fit
函数中输入数据。这是序列模型和这些功能性的API之间最显著的区别之一。我们使用
input()
函数来申明一个 1*28*28 的张量。
from keras.layers
import
Input
## First, define the vision modules
digit_input
= Input(
shape=(1,
28
,
28
))
现在,让我们来利用API设计一个卷积层,我们需要指定要在在哪个层使用卷积网络,具体代码这样操作:
x = Conv2D(
64
, (
3
,
3
))(
digit_input
)
x = Conv2D(
64
, (
3
,
3
))(
x
)
x = MaxPooling2D((
2
,
2
))(
x
)
out = Flatten()(
x
)
最后,我们对于指定的输入和输出数据来构建一个模型。
vision_model
= Model(digit_input, out)
当然,我们还需要指定损失函数,优化器等等。但这些和我们在序列模型中的操作一样,你可以使用 fit 函数和 compile 函数来进行操作。
接下来,让我们来构建一个vgg-16模型,这是一个很大很“老”的模型,但是由于它的简洁性,它是一个很好的学习模型。
6.1 使用Keras API开发VGG卷积神经网络
VGG:
VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时,由于它的简洁性和实用性,马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中, VGG 在Top-5中取得了92.3%的正确率。 该模型有一些变种,其中最受欢迎的当然是 vgg-16,这是一个拥有16层的模型。你可以看到它需要维度是 224*224*3 的输入数据。
让我们来写一个独立的函数来完整实现这个模型。
img_input = Input(
shape=input_shape
)
# Block
1
x = Conv2D(
64
, (
3
,
3
), activation='relu', padding='same', name='block1_conv1')(
img_input
)
x = Conv2D(
64
, (
3
,
3
), activation='relu', padding='same', name='block1_conv2')(
x
)
x = MaxPooling2D((
2
,
2
), strides=(
2
,
2
), name='block1_pool')(
x
)
# Block
2
x = Conv2D(
128
, (
3
,
3
), activation='relu', padding='same', name='block2_conv1')(
x
)
x = Conv2D(
128
, (
3
,
3
), activation='relu', padding='same', name='block2_conv2')(
x
)
x = MaxPooling2D((
2
,
2
), strides=(
2
,
2
), name='block2_pool')(
x
)
# Block
3
x = Conv2D(
256
, (
3
,
3
), activation='relu', padding='same', name='block3_conv1')(
x
)
x = Conv2D(
256
, (
3
,
3
), activation='relu', padding='same', name='block3_conv2')(
x
)
x = Conv2D(
256
, (
3
,
3
), activation='relu', padding='same', name='block3_conv3')(
x
)
x = MaxPooling2D((
2
,
2
), strides=(
2
,
2
), name='block3_pool')(
x
)
# Block
4
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block4_conv1')(
x
)
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block4_conv2')(
x
)
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block4_conv3')(
x
)
x = MaxPooling2D((
2
,
2
), strides=(
2
,
2
), name='block4_pool')(
x
)
# Block
5
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block5_conv1')(
x
)
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block5_conv2')(
x
)
x = Conv2D(
512
, (
3
,
3
), activation='relu', padding='same', name='block5_conv3')(
x
)
x = MaxPooling2D((
2
,
2
), strides=(
2
,
2
), name='block5_pool')(
x
)
x = Flatten(
name=
'flatten')(
x
)
x = Dense(
4096
, activation='relu', name='fc1')(
x
)
x = Dense(
4096
, activation='relu', name='fc2')(
x
)
x = Dense(
classes
, activation='softmax', name='predictions')(
x
)
我们可以将这个完整的模型,命名为 vgg16.py。
在这个例子中,我们来运行 imageNet 数据集中的某一些数据来进行测试。具体代码如下:
model
= applications.VGG16(
weights='imagenet')
img
= image.load_img('cat.jpeg',
target_size=(224,
224
))
x
= image.img_to_array(img)
x
= np.expand_dims(x,
axis=0)
x
= preprocess_input(x)
preds
= model.predict(x)
for results
in
decode_predictions(preds):
for result
in
results:
print('Probability %
0.2
f%% => [%s]' % (
100
*result[
2
], result[
1
]))
正如你在图中看到的,模型会对图片中的物体进行一个识别预测。
我们通过API构建了一个VGG模型,但是由于VGG是一个很简单的模型,所以并没有完全将API的能力开发出来。接下来,我们通过构建一个 SqueezeNet模型,来展示API的真正能力。
6.2 使用Keras API构建并运行SqueezeNet卷积神经网络
SequeezeNet 是一个非常了不起的网络架构,它的显著点不在于对正确性有多少的提高,而是减少了计算量。当SequeezeNet的正确性和AlexNet接近时,但是ImageNet上面的预训练模型的存储量小于5 MB,这对于在现实世界中使用CNN是非常有利的。SqueezeNet模型引入了一个 Fire模型,它由交替的 Squeeze 和 Expand 模块组成。
现在,我们对 fire 模型进行多次复制,从而来构建完整的网络模型,具体如下:
为了去构建这个网络,我们将利用API的功能首先来构建一个单独的 fire 模块。
# Squeeze part
of
fire module
with
1
*
1
convolutions, followed by Relu
x = Convolution2D(squeeze, (
1
,
1
), padding=
'valid'
,
name
=
'fire2/squeeze1x1'
)(x)
x = Activation(
'relu'
,
name
=
'fire2/relu_squeeze1x1'
)(x)
#Expand part has two portions, left
uses
1
*
1
convolutions
and
is
called expand1x1
left = Convolution2D(expand, (
1
,
1
), padding=
'valid'
,
name
=
'fire2/expand1x1'
)(x)
left = Activation(
'relu'
,
name
=
'fire2/relu_expand1x1'
)(left)
#Right part
uses
3
*
3
convolutions
and
is
called expand3x3, both
of
these are follow#ed by Relu layer, Note that both receive x
as
input
as
designed.
right = Convolution2D(expand, (
3
,
3
), padding=
'same'
,
name
=
'fire2/expand3x3'
)(x)
right = Activation(
'relu'
,
name
=
'fire2/relu_expand3x3'
)(right)
# Final output
of
Fire Module
is
concatenation
of
left
and
right.
x = concatenate([left, right], axis=
3
,
name
=
'fire2/concat'
)
为了重用这些代码,我们可以将它们转换成一个函数:
sq1x1
=
"squeeze1x1"
exp1x1
=
"expand1x1"
exp3x3
=
"expand3x3"
relu
=
"relu_"
WEIGHTS_PATH
=
"https://github.com/rcmalli/keras-squeezenet/releases/download/v1.0/squeezenet_weights_tf_dim_ordering_tf_kernels.h5"
模块化处理
sq1x1
=
"squeeze1x1"
exp1x1
=
"expand1x1"
exp3x3
=
"expand3x3"
relu
=
"relu_"
def fire_module(x, fire_id,
squeeze=16,
expand=64):
s_id
= 'fire' + str(fire_id) + '/'
x
= Convolution2D(squeeze, (
1
,
1
),
padding='valid',
name=s_id
+ sq1x1)(x)
x
= Activation('relu',
name=s_id
+ relu + sq1x1)(x)
left
= Convolution2D(expand, (
1
,
1
),
padding='valid',
name=s_id
+ exp1x1)(x)
left
= Activation('relu',
name=s_id
+ relu + exp1x1)(left)
right
= Convolution2D(expand, (
3
,
3
),
padding='same',
name=s_id
+ exp3x3)(x)
right
= Activation('relu',
name=s_id
+ relu + exp3x3)(right)
x
= concatenate([left, right],
axis=3,
name=s_id
+ 'concat')
return x
现在,我们可以利用我们构建好的单独的 fire 模块,来构建完整的模型。
x = Convolution2D(
64
, (
3
,
3
), strides=(
2
,
2
), padding='valid', name='conv1')(
img_input
)
x = Activation('relu', name='relu_conv1')(
x
)
x = MaxPooling2D(
pool_size=
(
3
,
3
), strides=(
2
,
2
), name='pool1')(
x
)
x = fire_module(
x
, fire_id=2, squeeze=16, expand=64)
x = fire_module(
x
, fire_id=3, squeeze=16, expand=64)
x = MaxPooling2D(
pool_size=
(
3
,
3
), strides=(
2
,
2
), name='pool3')(
x
)
x = fire_module(
x
, fire_id=4, squeeze=32, expand=128)
x = fire_module(
x
, fire_id=5, squeeze=32, expand=128)
x = MaxPooling2D(
pool_size=
(
3
,
3
), strides=(
2
,
2
), name='pool5')(
x
)
x = fire_module(
x
, fire_id=6, squeeze=48, expand=192)
x = fire_module(
x
, fire_id=7, squeeze=48, expand=192)
x = fire_module(
x
, fire_id=8, squeeze=64, expand=256)
x = fire_module(
x
, fire_id=9, squeeze=64, expand=256)
x = Dropout(
0.5
, name='drop9')(
x
)
x = Convolution2D(
classes
, (
1
,
1
), padding='valid', name='conv10')(
x
)
x = Activation('relu', name='relu_conv10')(
x
)
x = GlobalAveragePooling2D()(
x
)
out = Activation('softmax', name='loss')(
x
)
model = Model(
inputs
, out, name='squeezenet')
完整的网络模型我们放置在 squeezenet.py 文件里。我们应该先下载 imageNet 预训练模型,然后在我们自己的数据集上面进行训练和测试。下面的代码就是实现了这个功能:
import
numpy
as
np
from
keras_squeezenet
import
SqueezeNet
from
keras.applications.imagenet_utils
import
preprocess_input, decode_predictions
from
keras.preprocessing
import
image
model = SqueezeNet()
img = image.load_img(
'pexels-photo-280207.jpeg'
, target_size=(
227
,
227
))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=
0
)
x = preprocess_input(x)
preds = model.predict(x)
all_results = decode_predictions(preds)
for
results
in
all_results:
for
result
in
results:
print
(
'Probability %0.2f%% => [%s]'
% (
100
*result[
2
], result[
1
]))
对于相同的一幅图预测,我们可以得到如下的预测概率。
至此,我们的Keras TensorFlow教程就结束了。希望可以帮到你
End.
转载请注明来自36大数据(36dsj.com): 36大数据 » Keras TensorFlow教程:如何从零开发一个复杂深度学习模型