Keras 如何安装

keras可以直接通过pip 命令安装 

 

Keras 是一个高级的Python 神经网络框架，其文档详。Keras 已经被添加到

TensorFlow 中，成为其默认的框架，为TensorFlow 提供更高级的API。

如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是一个不错的选择。如

果将TensorFlow 比喻为编程界的Java 或C++，那么Keras 就是编程界的Python。它作为

TensorFlow 的高层封装，可以与TensorFlow 联合使用，用它很速搭建原型。

另外，Keras 兼容两种后端，即Theano 和TensorFlow，并且其接口形式和Torch 有几分相

像。掌握Keras 可以大幅提升对开发效率和网络结构的理解。

1、 Keras 的优点

Keras 是高度封装的，非常适合新手使用，代码更新速度比较快，示例代码也比较多，文

档和我论区也比较完善。最重要的是，Keras 是TensorFlow 官方支持的。当机器上有可用的GPU

时，代码会自动调用GPU 进行并行计算。

Keras 官方网站上描述了它的几个优点，具体如下。

● 模块化：模型的各个部分，如神经层、成本函数、优化器、初始化、激活函数、规范

化都是独立的模块，可以组合在一起来创建模型。

● 极简主义：每个模块都保持简短和简单。

● 易扩展性：很容易添加新模块，因此Keras 适于做进一步的高级研究。

● 使用Python 语言：模型用Python 实现，非常易于调试和扩展。

2、 Keras 的模型

Keras 的核心数据结构是模型。模型是用来组织网络层的方式。模型有两种，一种叫

Sequential 模型，另一种叫Model 模型。Sequential 模型是一系列网络层按顺序构成的栈，是单

输入和单输出的，层与层之间只有相邻关系，是最简单的一种模型。Model 模型是用来建立更

复杂的模型的。

这里先介绍简单的Sequential 模型的使用（后面将会以一个示例来介绍Model 模型）。首先

是加载数据，这里我们假设数据已经加载完毕，是X_train, Y_train 和X_test, Y_test。然后构建模型：

from keras.models import Sequential

from keras.layers import Dense, Activation

model = Sequential()

model.add(Dense(output_dim=64, input_dim=100))

model.add(Activation(“relu”))

model.add(Dense(output_dim=10))

model.add(Activation(“softmax”))

然后，编译模型，同时指明损失函数和优化器：

model.compile(loss=’categorical_crossentropy’, optimizer=’sgd’, metrics=[‘accuracy’])

最后，训练模型和评估模型：

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

这就是一个最简单的模型的使用。如果要搭建复杂的网络，可以使用Keras 的Model 模型，

它能定义多输出模型、含有共享层的模型、共享视觉模型、图片问答模型、视觉问答模型等。

在Keras 的源代码的examples 文件夹里还有更多的例子，有兴趣的读者可以参参。

3 Keras 的使用

我们下载Keras 代码①到本地目录，将下载后的目录命名为keras。Keras 源代码中包含很多

示例，例如：

● CIFAR10—图片分类（使用CNN 和实时数据）；

● IMDB—电影评论观点分类（使用LSTM）；

● Reuters—新闻主题分类（使用多层感知器）；

● MNIST—手写数字识别（使用多层感知器和CNN）；

● OCR—识别字符级文本生成（使用LSTM）。

这里我们主要用MNIST 示例进行讲解。

1．安装

Keras 的安装非常简单，不依赖操作系统，建议大家直接通过pip 命令安装：

pip install keras

安装完成后，需要选择依赖的后端，在~/.keras/keras.json 下修改最后一行backend 对应的

值即可。修改后的文件如下：

{

“image_dim_ordering”: “tf”,

“epsilon”: 1e-07,

“floatx”: “float32”,

“backend”: “tensorflow”

}

2 、实现一个网络模型

主要分为加载数据、模型构建、模型编译、模型训练、模型评估或者模型预测几步。下面我们

就用最简单的MNIST 示例来看如何用Keras 实现一个卷积神经网络（CNN）。

首先，定义好一参数以及加载数据，如下：

batch_size = 128

nb_classes = 10 # 分类数

nb_epoch = 12 # 训练轮数

# 输入图片的维度

img_rows, img_cols = 28, 28

# 卷积滤镜的个数

nb_filters = 32

# 最大池化，池化核大小

pool_size = (2, 2)

# 卷积核大小

kernel_size = (3, 3)

(X_train, y_train), (X_test, y_test) = mnist.load_data()

if K.image_dim_ordering() == ‘th’:

# 使用Theano 的顺序：(conv_dim1, channels, conv_dim2, conv_dim3)

X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)

X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)

input_shape = (1, img_rows, img_cols)

else:

# 使用TensorFlow 的顺序：(conv_dim1, conv_dim2, conv_dim3, channels)

X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1)

X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1)

input_shape = (img_rows, img_cols, 1)

X_train = X_train.astype(‘float32’)

X_test = X_test.astype(‘float32’)

X_train /= 255

X_test /= 255

# 将类向量转换为二进制类矩阵

Y_train = np_utils.to_categorical(y_train, nb_classes)

Y_test = np_utils.to_categorical(y_test, nb_classes)

下面来构建模型，这里用2 个卷积层、1 个池化层和2 个全连接层来构建，如下：

model = Sequential()

model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],

border_mode=’valid’,

input_shape=input_shape))

model.add(Activation(‘relu’))

model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))

model.add(Activation(‘relu’))

model.add(MaxPooling2D(pool_size=pool_size))

model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(128))

model.add(Activation(‘relu’))

model.add(Dropout(0.5))

model.add(Dense(nb_classes))

model.add(Activation(‘softmax’))

随后，用model.compile()函数编译模型，采用多分类的损失函数，用Adadelta 算法做优化

方法，如下：

model.compile(loss=’categorical_crossentropy’,

optimizer=’adadelta’,

metrics=[‘accuracy’])

然后，开始用model.fit()函数训练模型，输入训练集和测试数据，以及batch_size 和nb_epoch

参数，如下：

model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,

verbose=1, validation_data=(X_test, Y_test))

最后，用model.evaluate()函数来评估模型，输出测试集的损失值和准确率，如下：

score = model.evaluate(X_test, Y_test, verbose=0)

print(‘Test score:’, score[0])

print(‘Test accuracy:’, score[1])

计算出的损失值和准确率如下：

Test score: 0.0327563833317

Test accuracy: 0.9893

这是一个非常简单的例子。尽管模型架构是不变的，但是读者要将其应用到自己的开发领

域，一般是先读懂对应的神经网络论文，然后用这个架构去搭建和训练模型。

3．模型的加载及保存

Keras 的save_model 和load_model 方法可以将Keras 模型和权重保存在一个HDF5 文件中，

这里面包括模型的结构、权重、训练的配置（损失函数、优化器）等。如果训练因为某种原因

keras.models import save_model, load_model

def test_sequential_model_saving():

model = Sequential()

model.add(Dense(2, input_dim=3))

model.add(RepeatVector(3))

model.add(TimeDistributed(Dense(3)))

model.compile(loss=objectives.MSE,

optimizer=optimizers.RMSprop(lr=0.0001),

metrics=[metrics.categorical_accuracy],

sample_weight_mode=’temporal’)

x = np.random.random((1, 3))

y = np.random.random((1, 3, 3))

model.train_on_batch(x, y)

out = model.predict(x)

_, fname = tempfile.mkstemp(‘.h5’) # 创建一个HDFS 5 文件

save_model(model, fname)

new_model = load_model(fname)

os.remove(fname)

out2 = new_model.predict(x)

assert_allclose(out, out2, atol=1e-05)

# 检测新保存的模型和之前定义的模型是否一致

x = np.random.random((1, 3))

y = np.random.random((1, 3, 3))

model.train_on_batch(x, y)

new_model.train_on_batch(x, y)

out = model.predict(x)

out2 = new_model.predict(x)

assert_allclose(out, out2, atol=1e-05)

如果只是希望保存模型的结构，而不包含其权重及训练的配置（损失函数、优化器），可

以使用下面的代码将模型序列化成json 或者yaml 文件：

json_string = model.to_json()

json_string = model.to_yaml()

保存完成后，还可以手动编辑，并且使用如下语句进行加载：

from keras.models import model_from_json

model = model_from_json(json_string)

model = model_from_yaml(yaml_string)

如果仅需要保存模型的权重，而不包含模型的结构，可以使用save_weights 和load_weights

语句来保存和加载：

model.save_weights(‘my_model_weights.h5’)

model.load_weights(‘my_model_weights.h5’)