Keras中幾個重要函式用法
Keras的核心資料結構是“模型”,模型是一種組織網路層的方式。Keras中主要的模型是Sequential模型,Sequential是一系列網路層按順序構成的棧。你也可以檢視泛型模型來學習建立更復雜的模型。
Keras中幾個重要函式用法
模組需匯入包:
from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers.convolutional import Conv2D from keras.layers.pooling import MaxPooling2D from keras.layers import Embedding, LSTM from keras.utils import np_utils from keras.datasets import mnist
啟用函式有如下幾種型別可選:
softmax、elu、softplus、softsign、relu、tanh、sigmoid、hard_sigmoid、linear
Dense(全連線層)
Dense層(https://keras-cn.readthedocs.io/en/latest/layers/core_layer/)
keras.layers.core.Dense ( units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None )
units:大於0的整數,代表該層的輸出維度。 activation:啟用函式,為預定義的啟用函式名(參考啟用函式),或逐元素(element-wise)的Theano函式。如果不指定該引數,將不會使用任何啟用函式(即使用線性啟用函式:a(x)=x) usebias: 布林值,是否使用偏置項 kernelinitializer:權值初始化方法,為預定義初始化方法名的字串,或用於初始化權重的初始化器。參考initializers bias_initializer:權值初始化方法,為預定義初始化方法名的字串,或用於初始化權重的初始化器。參考initializers
Keras模型儲存
我們不推薦使用pickle或cPickle來儲存Keras模型。
你可以使用model.save(filepath)將Keras模型和權重儲存在一個HDF5檔案中,該檔案將包含:
-
模型的結構,以便重構該模型
-
模型的權重
-
訓練配置(損失函式,優化器等)
-
優化器的狀態,以便於從上次訓練中斷的地方開始
使用keras.models.load_model(filepath)來重新例項化你的模型,如果檔案中儲存了訓練配置的話,該函式還會同時完成模型的編譯
例子:
from keras.models import load_model model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' del model # deletes the existing model # returns a compiled model # identical to the previous one model = load_model('my_model.h5')
如果你只是希望儲存模型的結構,而不包含其權重或配置資訊,可以使用:
# save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml()
這項操作將把模型序列化為json或yaml檔案,這些檔案對人而言也是友好的,如果需要的話你甚至可以手動開啟這些檔案並進行編輯。
當然,你也可以從儲存好的json檔案或yaml檔案中載入模型:
# model reconstruction from JSON: from keras.models import model_from_json model = model_from_json(json_string) # model reconstruction from YAML model = model_from_yaml(yaml_string)
如果需要儲存模型的權重,可通過下面的程式碼利用HDF5進行儲存。注意,在使用前需要確保你已安裝了HDF5和其Python庫h5py
model.save_weights('my_model_weights.h5') 如果你需要在程式碼中初始化一個完全相同的模型,請使用: model.load_weights('my_model_weights.h5')
如果你需要載入權重到不同的網路結構(有些層一樣)中,例如fine-tune或transfer-learning,你可以通過層名字來載入模型:
model.load_weights('my_model_weights.h5', by_name=True)
例如:
""" 假如原模型為: model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) model.add(Dense(3, name="dense_2")) ... model.save_weights(fname) """ # new model model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded model.add(Dense(10, name="new_dense")) # will not be loaded # load weights from first model; will only affect the first layer, dense_1. model.load_weights(fname, by_name=True)
視覺化
使用方式
keras.utils.vis_utils模組提供了畫出Keras模型的函式(利用graphviz)
該函式將畫出模型結構圖,並儲存成圖片:
from keras.utils import plot_model plot_model(model, to_file='model.png')
具體可參考:視覺化visualization(https://keras-cn.readthedocs.io/en/latest/other/visualization/)
解決辦法
-
首先,安裝pip安裝pygot和graphviz之後,執行上面的視覺化程式碼仍然報錯
-
查詢說是Windows下面只能採用安裝包的方式進行安裝,不能pip安裝.....
最終,費了很大的周折之後,終於找到解決辦法:
-
首先,安裝graphviz(官方下載網址:https://graphviz.gitlab.io/_pages/Download/Download_windows.html),然後在環境變數裡面配置其路徑(好像也沒有什麼用)
-
然後在程式碼裡面設定如下:
import os os.environ["PATH"] += os.pathsep + 'D:/install/Program Files (x86)/Graphviz2.38/bin/' plot_model(model, to_file='model.png', show_shapes=True, show_layer_names=True)
OK,終於成功了。期間還涉及到說按照graphviz->grapphviz軟體本身->pydot的順序按照軟體什麼的,但是問題並沒有解決,還是得在程式中引入地址。
參考文獻
-
Keras中文文件:https://keras-cn.readthedocs.io/en/latest/for_beginners/concepts/