3.1 Keras API 简介

3.1 Keras API 简介

3.1 Keras API 简介

Keras 是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行。它旨在简化神经网络的构建和训练过程，让开发者能够专注于模型的设计和实验，而无需过多关注底层实现细节。 在TensorFlow 2.0及更高版本中，Keras被深度集成，成为tf.keras，是构建TensorFlow模型推荐的方式。

3.1.1 Keras 的核心优势

• 用户友好性: Keras 提供了简洁、一致的 API，易于学习和使用。

• 模块化和可组合性: 神经网络被视为一系列可配置的模块，例如层、损失函数、优化器等，这些模块可以自由组合以构建复杂的模型。

• 易于扩展: Keras 允许用户自定义层、损失函数、指标等，以满足特定需求。

• 多后端支持: Keras 可以在 TensorFlow、CNTK 或 Theano 上运行，提供了灵活性。

• 强大的社区支持: Keras 拥有庞大的用户社区，提供了丰富的文档、教程和示例。

3.1.2 Keras 的主要组件

• 模型 (Model): 神经网络的整体结构。 Keras 提供了两种主要的模型构建方式：

  • Sequential 模型: 用于构建简单的、层线性堆叠的模型。

  • Functional API 模型: 用于构建更复杂的、具有多输入/输出、共享层等拓扑结构的模型。

• 层 (Layer): 神经网络的基本构建块，例如全连接层 (Dense)、卷积层 (Conv2D)、循环层 (LSTM) 等。

• 激活函数 (Activation Function): 应用于层输出的非线性函数，例如 ReLU、Sigmoid、Tanh 等。

• 损失函数 (Loss Function): 用于衡量模型预测与真实标签之间的差异，例如均方误差 (MSE)、交叉熵 (Crossentropy) 等。

• 优化器 (Optimizer): 用于更新模型参数以最小化损失函数，例如 Adam、SGD、RMSprop 等。

• 指标 (Metrics): 用于评估模型性能的指标，例如准确率 (Accuracy)、精确率 (Precision)、召回率 (Recall) 等。

3.1.3 Sequential 模型示例

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义一个 Sequential 模型
model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)), # 输入层，64个神经元，ReLU激活函数，输入形状为 (784,)
    layers.Dense(10, activation='softmax') # 输出层，10个神经元（例如，用于分类 0-9），Softmax激活函数
])
# 编译模型
model.compile(optimizer='adam', # 优化器
              loss='categorical_crossentropy', # 损失函数
              metrics=['accuracy']) # 评估指标
# 打印模型概要
model.summary()
​

代码详解：

1. 导入必要的库:

   • tensorflow： TensorFlow 库。

   • tensorflow.keras： Keras API。

   • tensorflow.keras.layers： Keras 的层模块。

2. 定义 Sequential 模型:

   • keras.Sequential([])： 创建一个空的 Sequential 模型。

   • layers.Dense(64, activation='relu', input_shape=(784,))： 添加一个全连接层 (Dense)。

     • 64： 该层有 64 个神经元。

     • activation='relu'： 使用 ReLU 激活函数。

     • input_shape=(784,)： 指定输入数据的形状为 (784,)。 这通常对应于扁平化的图像数据，例如 28x28 的手写数字图像。 只有第一层需要指定输入形状。

   • layers.Dense(10, activation='softmax')： 添加另一个全连接层。

     • 10： 该层有 10 个神经元。

     • activation='softmax'： 使用 Softmax 激活函数。 Softmax 通常用于多分类问题的输出层，将输出转换为概率分布。

3. 编译模型:

   • model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])： 配置模型的训练过程。

     • optimizer='adam'： 使用 Adam 优化器。 Adam 是一种常用的自适应学习率优化器。

     • loss='categorical_crossentropy'： 使用分类交叉熵损失函数。 这通常用于多分类问题。

     • metrics=['accuracy']： 使用准确率作为评估指标。

4. 打印模型概要:

   • model.summary()： 打印模型的结构信息，包括每一层的名称、输出形状和参数数量。

3.1.4 Functional API 模型示例

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义输入层
inputs = keras.Input(shape=(784,))
# 定义层
dense1 = layers.Dense(64, activation='relu')(inputs)
dense2 = layers.Dense(64, activation='relu')(dense1)
outputs = layers.Dense(10, activation='softmax')(dense2)
# 创建模型
model = keras.Model(inputs=inputs, outputs=outputs)
# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
# 打印模型概要
model.summary()
​

代码详解：

1. 定义输入层:

   • inputs = keras.Input(shape=(784,))： 创建一个输入层，指定输入数据的形状为 (784,)。

2. 定义层并连接它们:

   • dense1 = layers.Dense(64, activation='relu')(inputs)： 创建一个全连接层，并将输入层连接到该层。

   • dense2 = layers.Dense(64, activation='relu')(dense1)： 创建另一个全连接层，并将第一个全连接层连接到该层。

   • outputs = layers.Dense(10, activation='softmax')(dense2)： 创建输出层，并将第二个全连接层连接到该层。

3. 创建模型:

   • model = keras.Model(inputs=inputs, outputs=outputs)： 使用输入层和输出层创建模型。

4. 编译模型:

   • 与 Sequential 模型相同。

5. 打印模型概要:

   • 与 Sequential 模型相同。

Functional API 的优势：

• 灵活性: 可以构建具有复杂拓扑结构的模型，例如多输入/输出模型、共享层模型等。

• 可重用性: 可以将层视为函数，并在不同的模型中重复使用。

3.1.5 模型训练和评估

import numpy as np
# 生成一些随机数据用于演示
num_samples = 1000
x_train = np.random.random((num_samples, 784))
y_train = np.random.randint(0, 10, size=(num_samples,))
y_train = keras.utils.to_categorical(y_train, num_classes=10)  # one-hot编码
x_test = np.random.random((num_samples, 784))
y_test = np.random.randint(0, 10, size=(num_samples,))
y_test = keras.utils.to_categorical(y_test, num_classes=10)  # one-hot编码
# 训练模型
model.fit(x_train, y_train, epochs=2, batch_size=32)
# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)
# 使用模型进行预测
predictions = model.predict(x_test)
print('Predictions shape:', predictions.shape)
​

代码详解：

1. 生成随机数据:

   • 使用 numpy 生成一些随机数据作为训练和测试数据。 这只是为了演示，实际应用中需要使用真实的数据集。

   • keras.utils.to_categorical：将标签进行 one-hot 编码。

2. 训练模型:

   • model.fit(x_train, y_train, epochs=2, batch_size=32)： 使用训练数据训练模型。

     • x_train： 训练数据。

     • y_train： 训练标签。

     • epochs=2： 训练 2 个 epoch。 一个 epoch 是指整个训练数据集的一次完整迭代。

     • batch_size=32： 使用 32 个样本的批次大小。

3. 评估模型:

   • loss, accuracy = model.evaluate(x_test, y_test)： 使用测试数据评估模型。

     • x_test： 测试数据。

     • y_test： 测试标签。

     • loss： 测试损失。

     • accuracy： 测试准确率。

4. 使用模型进行预测:

   • predictions = model.predict(x_test)： 使用模型对测试数据进行预测。

     • predictions： 模型的预测结果。

3.1.6 使用 Mermaid 绘制模型图

可以使用 Mermaid 语法来可视化 Keras 模型。 这里是一个简单的例子，展示了如何使用 Mermaid 绘制一个 Sequential 模型：

解释：

• graph TD： 指定这是一个从上到下的图。

• A[Input (784)]： 定义一个节点 A，表示输入层，形状为 (784)。

• B(Dense Layer 1 (64, ReLU))： 定义一个节点 B，表示第一个全连接层，有 64 个神经元，使用 ReLU 激活函数。

• C(Dense Layer 2 (10, Softmax))： 定义一个节点 C，表示第二个全连接层，有 10 个神经元，使用 Softmax 激活函数。

• D[Output (10)]： 定义一个节点 D，表示输出层，形状为 (10)。

• A --> B： 表示从节点 A 到节点 B 的连接。

更复杂的模型可以使用更详细的 Mermaid 图来表示。 许多 Markdown 编辑器和在线工具都支持 Mermaid 语法，可以方便地生成模型图。

3.1.7 总结

Keras API 提供了一种简单而强大的方式来构建和训练神经网络。 通过理解 Keras 的核心组件和模型构建方式，可以快速上手并构建各种复杂的模型。 在实际应用中，需要根据具体的问题选择合适的模型结构、损失函数、优化器和评估指标。 同时，利用可视化工具（如 Mermaid）可以帮助更好地理解和设计模型。