Keras - 模型编译 - 蝴蝶教程

简述

之前，我们研究了如何使用 Sequential 和 Functional API 创建模型的基础知识。本章介绍如何编译模型。编译是创建模型的最后一步。编译完成后，我们可以进入训练阶段。

让我们学习一些需要更好地理解编译过程的概念。

损失

在机器学习中，损失函数用于发现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 在损失模块中提供了相当多的损失函数，它们如下 -

mean_squared_error
mean_absolute_error
mean_absolute_percentage_error
mean_squared_logarithmic_error
squared_hinge
hinge
categorical_hinge
logcosh
huber_loss
categorical_crossentropy
sparse_categorical_crossentropy
binary_crossentropy
kullback_leibler_divergence
poisson
cosine_proximity
is_categorical_crossentropy

以上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 - 与y_true形状相同的预测

在使用损失函数之前导入损失模块，如下所示 -



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 - Adam 的 Adamax 优化器。



keras.optimizers.Adamax(learning_rate = 0.002, beta_1 = 0.9, beta_2 = 0.999)

我希望- Nester 的 Adam 优化器。



keras.optimizers.Nadam(learning_rate = 0.002, beta_1 = 0.9, beta_2 = 0.999)

在使用优化器之前导入优化器模块，如下所示 -



from keras import optimizers

指标

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 提供了相当多的指标作为模块，指标，它们如下

准确性
binary_accuracy
分类准确度
sparse_categorical_accuracy
top_k_categorical_accuracy
sparse_top_k_categorical_accuracy
cosine_proximity
克隆度量

与损失函数类似，指标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形状相同的预测

在使用如下指定的指标之前导入指标模块 -



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

)

重要的论点如下 -

损失函数
优化器
指标

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])

说明，

损失函数设置为mean_squared_error
优化器设置为sgd
指标设置为metrics.categorical_accuracy

模型训练

模型由 NumPy 数组使用fit()进行训练。此拟合函数的主要目的是用于评估您的训练模型。这也可以用于绘制模型性能。它具有以下语法 -



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

说明

X, y - 这是一个评估数据的元组。
epochs - 在训练期间不需要评估模型的次数。
batch_size - 训练实例。

让我们以一个简单的 numpy 随机数据示例来使用这个概念。

创建数据

让我们在下面提到的命令的帮助下使用 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

创建图层以添加模型 -



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

现在模型已定义。您可以使用以下命令进行编译 -



model.compile(

   loss = 'categorical_crossentropy', optimizer = 'sgd', metrics = ['accuracy']

)

应用拟合（）

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并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为 NumPy 数组。收集数据后，我们可以准备模型并使用收集的数据对其进行训练。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，即数据集，用于下载用于训练目的的在线机器学习数据。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 数据集模块提供的数据。模块中可用的数据如下，

CIFAR10小图像分类
CIFAR100小图像分类
IMDB电影评论情感分类
路透社新闻专线主题分类
MNIST 手写数字数据库
Fashion-MNIST 时尚文章数据库
波士顿房价回归数据集

让我们使用手写数字（或 minst）的 MNIST 数据库作为我们的输入。minst 是 60,000 张 28x28 灰度图像的集合。它包含 10 位数字。它还包含 10,000 张测试图像。

下面的代码可用于加载数据集 -



from keras.datasets import mnist 



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

说明

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将数据作为 2 个元组返回，第一个元组(x_train, y_train)表示训练数据的形状为(number_sample, 28, 28)，其数字标签为形状(number_samples, )。第二个元组(x_test, y_test)表示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 获取，每个 API 也返回类似的数据，除了数据的形状。数据的形状取决于数据的类型。

创建模型

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

该模型的核心特征如下 -

输入层由 784 个值（28 x 28 = 784）组成。
第一个隐藏层，Dense由 512 个神经元和“relu”激活函数组成。
第二个隐藏层，Dropout的值为 0.2。
第三个隐藏层，同样 Dense 由 512 个神经元和“relu”激活函数组成。
第四个隐藏层，Dropout的值为 0.2。
第五层和最后一层由 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。
使用准确性作为指标。
使用 128 作为批量大小。
使用 20 作为 epoch。

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更改数据集，以便将其输入到我们的模型中。



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)

说明

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、优化器和指标来编译模型。



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)

)

最后的想法

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，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))

执行应用程序将提供以下内容作为输出 -



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