Keras – 模型编译

Keras – 模型编译

在此之前,我们学习了如何使用顺序和功能API创建模型的基本知识。本章解释了如何编译模型。编译是创建模型的最后一步。一旦编译完成,我们就可以进入训练阶段了。

让我们学习一些必要的概念来更好地理解编译过程。

Loss

在机器学习中, Loss 函数被用来寻找学习过程中的错误或偏差。Keras在模型编译过程中需要损失函数。

Keras在 Loss 模块中提供了相当多的损失函数,它们如下

  • 均方误差
  • 平均值_绝对误差
  • 平均值_absolute_percentage_error
  • 均方误差_对数误差
  • 铰链平方
  • 铰链
  • 分类的铰链
  • 对数
  • huber_loss
  • 分类交织熵(categorical_crossentropy
  • 稀疏分类交叉熵
  • 二元交叉熵
  • 库尔贝克-莱布勒分歧
  • Poisson
  • 近似值(cosine_proximity
  • 是分类交叉熵

上述所有损失函数都接受两个参数 –

  • y_true – 作为张量的真实标签

  • y_pred –y_true 形状相同的预测值。

在使用损失函数之前,请导入损失模块,具体方法如下

from keras import losses

优化器

在机器学习中, 优化 是一个重要的过程,它通过比较预测值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一个模块, 优化器 如下:

SGD - 随机梯度下降优化器。

keras.optimizers.SGD(learning_rate = 0.01, momentum = 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 - 来自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)

在使用优化器之前,按以下规定导入优化器模块-

from keras import optimizers

衡量标准

在机器学习中, Metrics 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作为一个模块提供了相当多的度量, 度量 的内容如下

  • 准确度
  • 二进制准确率(binary_accuracy
  • 分类精度(categorical_accuracy
  • 稀疏分类准确率
  • top_k_categorical_accuracy
  • 稀疏的top_k分类准确率
  • 余弦距离
  • 克隆度量

与损失函数类似,度量也接受以下两个参数 –

  • y_true – 作为张量的真实标签

  • y_ pred -** 与 y_true 相同形状的预测。

在使用metrics之前,请先导入metrics模块,具体方法如下

from keras import metrics

编译模型

Keras模型提供了一个方法, 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
)

重要的参数如下 –

  • 损失函数
  • 优化器
  • 度量

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、

  • 损失函数被设置为 平均误差_平方误差

  • 优化器设置为 sgd

  • 衡量标准被设置为 metrics.categorical_accuracy

模型训练

模型是由NumPy数组使用 ** fit()** 训练的 ** ** 这个fit函数的主要目的是用来评估你的模型的训练情况。这也可以用于绘制模型性能图。它的语法如下 –

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

这里、

  • X, y – 它是一个元组,用来评估你的数据。

  • epochs – 训练期间需要评估模型的次数。

  • batch_size – 训练实例。

让我们举一个numpy随机数据的简单例子来使用这个概念。

创建数据

让我们在下面提到的命令的帮助下,用numpy为x和y创建一个随机数据-

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()

添加图层

创建图层来添加模型 −

from keras.layers import LSTM, Dense 

# add a sequence of vectors of dimension 16 
model.add(LSTM(16, return_sequences = True)) 
model.add(Dense(10, activation = 'softmax'))

编译模型

现在模型已被定义。你可以使用以下命令进行编译 −

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

应用fit()函数

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))

创建一个多层感知器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,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成NumPy数组。一旦收集了数据,我们就可以准备模型,并通过使用收集到的数据来训练它。数据收集是机器学习中最困难的阶段之一。Keras提供了一个特殊的模块–数据集,以下载在线机器学习数据用于训练目的。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数据集模块所提供的数据。该模块中可用的数据如下、

  • CIFAR10小型图像分类
  • CIFAR100小型图像分类
  • IMDB电影评论的情感分类
  • 路透社新闻网主题分类
  • MNIST数据库中的手写数字
  • 时尚-MNIST数据库中的时尚文章
  • 波士顿住房价格回归数据集

让我们使用 MNIST手写数字数据库 (或称minst)作为我们的输入。minst是一个由60,000个,28×28灰度图像组成的集合。它包含10个数字。它还包含10,000张测试图像。

下面的代码可以用来加载数据集—

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以2个元组的形式返回数据,第一个元组 (x_train, y_train) 代表训练数据,其形状为 (number_sample, 28, 28) ,其数字标签形状为 (number_samples, )。 第二个元组, (x_test,y_test) 代表具有相同形状的测试数据。

其他数据集也可以使用类似的API来获取,除了数据的形状,每个API都会返回类似的数据。数据的形状取决于数据的类型。

创建一个模型

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

Keras - 模型编译

该模型的核心特征如下—

  • 输入层由784个值组成(28 x 28 = 784)。

  • 第一隐藏层, Dense 由512个神经元和’relu’激活函数组成。

  • 第二隐藏层, Dropout 的值为0.2。

  • 第三隐藏层,同样是Dense由512个神经元和’relu’激活函数组成。

  • 第四隐藏层, Dropout 的值为0.2。

  • 第五和最后一层由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 准确度 作为衡量标准。

  • 使用128作为批次大小。

  • 使用20次作为历时。

第1步 – 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

第2步 – 加载数据

让我们导入mnist数据集。

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

第3步 – 处理数据

让我们根据我们的模型来改变数据集,这样它就可以被送入我们的模型。

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。

第4步 – 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'))

第5步 – 编译模型

让我们使用选定的损失函数、优化器和度量标准来编译模型。

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

第6步 – 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)
)

最后的思考

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,这一点我们将在下一章学习。

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))

执行应用程序将得到以下内容作为输出

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

Python教程

Java教程

Web教程

数据库教程

图形图像教程

大数据教程

开发工具教程

计算机教程