手把手教你用keras--像搭乐高积木一样搭建神经网络（lenet）
作者：陈扬
编辑：田旭
论文地址： http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
视频：https://www.bilibili.com/video/av29064149
github：还没做好哦
前 言
嗨咯，大家好，我是来自中国海洋大学的海盗船长。今天我来开系列新坑了，这段时间一直在帮璇姐跑实验代码，做了蛮多的对比实验，其中我就发现了，keras的代码实现和可阅读性很好，搭神经网络就好像搭乐高积木一样有趣哦。不只是demo哦，我还会在接下来的一系列keras教程中教你搭建Alexnet，Vggnet，Resnet等等实际的模型并且教你如何在GPU服务器上运行。
01
keras介绍
Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
如果你在以下情况下需要深度学习库，请使用 Keras：
允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。
安装
pip install TensorFlow
pip install keras论文链接
http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
02
keras代码实现
emmmm，我相信大家一定都看过最入门的lenet了吧，网上也是很多很多这个网络的代码实现，我就开门见山的直接教你这么用keras实现吧，这里有一点的是，我们用的是28*28的MNIST数据集。
1. 头文件
#coding=utf-8
from keras.models import Sequential
from keras.layers import Dense,Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.utils.np_utils import to_categorical
from keras.datasets import mnist
from keras.utils import plot_modelSequential:顺序模型
Dense：全连接，简称FC
Flatten：上图中s4到c5的过程，相当于把16*5*5的feature map展开成400的特征向量，在通过全连接压成120维的特征向量
Conv2D：2d卷积
MaxPooling2D：2d下采样，文章中的subsampling
to_categorical：把一维的向量转换为num_class维的One-hot编码
from keras.datasets import mnist：keras自带了MNIST数据集
plot_model：打印我们等下建好的模型，相当于可视化模型
2. 加载数据集
(X_train,y_train),(X_test,y_test)=mnist.load_data()
#print(X_train.shape,y_train.shape)
X_train = X_train.reshape(-1,28, 28,1)
X_test = X_test.reshape(-1, 28, 28,1)
#print(X_train.shape,y_train.shape)
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)
print(X_train.shape,y_train.shape)X_train,y_train：训练的样本的数据和labels
(X_test,y_test： 测试的样本的数据和labels
(60000, 28, 28) (60000,)
(60000, 28, 28, 1) (60000,)
(60000, 28, 28, 1) (60000, 10)
3. 搭建模型
model = Sequential()
#layer2
model.add(Conv2D(6, (3,3),strides=(1,1),input_shape=X_train.shape[1:],data_format='channels_last',padding='valid',activation='relu',kernel_initializer='uniform'))
#layer3
model.add(MaxPooling2D((2,2)))
#layer4
model.add(Conv2D(16, (3,3),strides=(1,1),data_format='channels_last',padding='valid',activation='relu',kernel_initializer='uniform'))
#layer5
model.add(MaxPooling2D(2,2))
#layer6
model.add(Conv2D(120, (5,5),strides=(1,1),data_format='channels_last',padding='valid',activation='relu',kernel_initializer='uniform'))
model.add(Flatten())
#layer7
model.add(Dense(84,activation='relu'))
#layer8
model.add(Dense(10,activation='softmax'))
#print
model.summary()第一,二层：6个（3*3）的卷积核，步长为1（默认也是1），
第一个网络层要有input_shape参数，告诉神经网络你的输入的张量的大小是多少，我推荐的写法是X_train.shape[1:]，这样的话我换数据集就不用去换参数，网络会自适应。
data_format='channels_last'的意思是告诉keras你的channel是在前面还是后面，tensorflow后台默认是last，theano后台默认是first，我们这里是默认值（不用轻易改变，对训练时间有很大影响，要尽量符合后端的顺序，比如tensorflow后台就不用输入channels_first,如果是这样的话，实际训练还是会转成last，极大的降低速度）。
padding='valid'(默认valid），表示特征图的大小是会改变的，‘same’是周边补充空白表示特征图大小不变。
activation='relu'表示激活函数是relu，在卷积完之后运行激活函数，默认是没有。
kernel_initializer='uniform'表示卷积核为默认类型。
第三层：Maxpooling，参数比较少，就一个池化核的大小，2*2，步长strides默认和池化大小一致。
第6层：Flatten：上图中s4到c5的过程，相当于把16*5*5的feature map展开成400的特征向量，在通过全连接压成120维的特征向量
最后一层：Dense（10）表示把他压成和我们labels一样的维度10，通过softmax进行激活（多分类用softmax）
model.summary():打印网络结构及其内部参数
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_14 (Conv2D) (None, 28, 28, 6) 60
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 14, 14, 6) 0
_________________________________________________________________
conv2d_15 (Conv2D) (None, 12, 12, 16) 880
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 6, 6, 16) 0
_________________________________________________________________
conv2d_16 (Conv2D) (None, 2, 2, 120) 48120
_________________________________________________________________
flatten_3 (Flatten) (None, 480) 0
______________________________________________________________
dense_5 (Dense) (None, 84) 40404
______________________________________________________________
dense_6 (Dense) (None, 10) 850
=================================================================
Total params: 90,314
Trainable params: 90,314
Non-trainable params: 0
_________________________________________________________________4. 编译及训练
model.compile(optimizer='sgd',loss='categorical_crossentropy',metrics=['accuracy'])
print("train____________")
model.fit(X_train,y_train,epochs=1,batch_size=128,)
print("test_____________")
loss,acc=model.evaluate(X_test,y_test)
print("loss=",loss)
print("accuracy=",acc)model.compile:对模型进行编译，
optimizer是优化器，我这里选的是随机梯度下降，具体还要许多优化器，你可以上官网查看
loss='categorical_crossentropy'：多分类用的one-hot交叉熵
metrics=['accuracy']：表示我们要优化的是正确率
model.fit(X_train,y_train,epochs=10,batch_size=128,)：进行10轮，批次为128的训练，默认训练过程中是会加入正则化防止过拟合。
loss,acc=model.evaluate(X_test,y_test)：对样本进行测试，默认不使用正则化，返回损失值和正确率。
5. 模型的画图和图片保存
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from keras.utils import plot_model
plot_model(model,to_file='example.png',show_shapes=True)
lena = mpimg.imread('example.png') # 读取和代码处于同一目录下的 lena.png
#此时 lena 就已经是一个 np.array 了，可以对它进行任意处理
lena.shape #(512, 512, 3)
plt.imshow(lena) # 显示图片
plt.axis('off') # 不显示坐标轴
plt.show()祖传模型打印代码，我觉得注释已经足够详细了
6. 模型的保存
config = model.get_config()model = model.from_config(config)
03
总结
好了，这就是我第一次比较啰嗦的讲解，当然了文章的最后是我在bilibili（https://www.bilibili.com/video/av29064149）上上传的代码实现视频，我希望未来能有更多的朋友投入深度学习，而且是能够实实在在的打代码来实现从demo到应用再到现在比较潮流的resnet等等最新发表的研究成果，海盗船长也会和大家一起学习，一起分享学习经验。
附上我很喜欢的一首歌：《海盗船长2.0》花粥（https://music.163.com/#/song?id=571601379）
END
往期回顾
【1】 TensorFlow Serving入门
【2】 从傅立叶变换到Gabor滤波器
【3】 《Computer vision》笔记-AlexNet(1)
【4】 torch.uls.trainer包解析
【5】 【Nature】DeepMind探索AI医疗黑箱问题，眼科疾病诊断水平超人类专家
机器学习算法工程师
一个用心的公众号
进群，学习，得帮助
你的关注，我们的热度，
我们一定给你学习最大的帮助