【Tensorflow keras】輕量級深度學習框架 Keras簡介
阿新 • • 發佈：2019-02-16
Keras是基於Theano的一個深度學習框架，它的設計參考了Torch，用Python語言編寫，是一個高度模組化的神經網路庫，支援GPU和CPU。
使用文件在這：http://keras.io/，
中文文件在這：http://keras-cn.readthedocs.io/en/latest/ ，
這個框架是2015年流行起來的，使用中遇到的困惑或者問題可以提交到github：https://github.com/fchollet/keras。
Keras主要包括14個模組包，可參見文件https://keras.io/layers/ ，下面主要對Models、Layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics八個模組包展開介紹。1. Models包：keras.models
這是Keras中最主要的一個模組，用於對各個元件進行組裝。
詳細說明：http://keras.io/models/
from keras.models import Sequential
model = Sequential() # 初始化模型
model.add(...) # 可使用add方法組裝元件2. Layers包：keras.layers
該模組主要用於生成神經網路層，包含多種型別，如Core layers、Convolutional layers、recurrent layers、advanced_activations layers、normalization layers、embeddings layers
其中Core layers裡面包含了flatten（CNN的全連線層之前需要把二維特徵圖flatten成為一維的）、reshape（CNN輸入時將一維的向量弄成二維的）、dense（隱藏層）。
Convolutional layers層包含Theano的Convolution2D的封裝等。
詳細說明：http://keras.io/layers/
from keras.layers import Dense # Dense表示BP層
model.add(Dense(input_dim=3,output_dim=5)) # 加入隱含層3. Initializations包：keras.initializations
該模組主要負責對模型引數（權重）進行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等。
詳細說明：http://keras.io/initializations/
model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入帶初始化（uniform）的隱含層4. Activations包：keras.activations、keras.layers.advanced_activations（新啟用函式）
該模組主要負責為神經層附加啟用函式，如linear、sigmoid、hard_sigmoid、tanh、softplus、softmax、relu以及LeakyReLU、PReLU等比較新的啟用函式。
詳細說明：http://keras.io/activations/
model.add(Dense(input_dim=3, output_dim=5, activation='sigmoid')) # 加入帶啟用函式（sigmoid）的隱含層
等價於：
model.add(Dense(input_dim=3, output_dim=5))
model.add(Activation('sigmoid'))5. Objectives包：keras.objectives
該模組主要負責為神經網路附加損失函式，即目標函式。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss。
注：目標函式的設定是在模型編譯階段。
詳細說明：http://keras.io/objectives/
model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目標函式6. Optimizers包：keras.optimizers
該模組主要負責設定神經網路的優化方法，如最基本的隨機梯度下降SGD,另外還有Adagrad、Adadelta、RMSprop、Adam，一些新的方法以後也會被不斷新增進來。
詳細說明：http://keras.io/optimizers/
keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.9, nesterov=False)上面的程式碼是SGD的使用方法，lr表示學習速率,momentum表示動量項，decay是學習速率的衰減係數(每個epoch衰減一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。
model = Sequential()
model.add(Dense(64, init='uniform', input_dim=10))
model.add(Activation('tanh'))
model.add(Activation('softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd) #指優化方法sgd
model.compile(loss='binary_crossentropy', optimizer='sgd')7. Preprocessing包：keras.preprocessing
資料預處理模組，包括序列資料的處理、文字資料的處理和影象資料的處理等。對於影象資料的處理，keras提供了ImageDataGenerator函式,實現資料集擴增，對影象做一些彈性變換，比如水平翻轉，垂直翻轉，旋轉等。
8. metrics包：keras.metrics
與sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的評價方法。
predict = model.predict_classes(test_x) #輸出預測結果
keras.metrics.binary_accuracy(test_y, predict) #計算預測精度