歡迎光臨
每天分享高質量文章

【演算法】 Keras 四步工作流程


筆者邀請您,先思考:

1 Keras如何設計和開發神經網絡?

Francois Chollet在他的“用Python深度學習”一書中概述了用Keras分4步開發神經網絡的過程。 讓我們用一個簡單的例子來看一下這個過程。

Francois Chollet在他的“深度學習Python”一書中概述了與Keras開發神經網絡的概述。 通過本書前面的一個簡單的MNIST示例,Chollet將網絡構建過程簡化為與Keras直接相關的4個主要步驟。

這不是機器學習工作流程,也不是用深度學習解決問題的完整框架。 這4個步驟僅適用於整體神經網絡機器學習工作流程中Keras發揮作用的部分。 這些步驟如下:

  • 定義訓練資料

  • 定義神經網絡模型

  • 配置學習過程

  • 訓練模型

雖然Chollet然後花了他的書的其餘部分充分說明瞭使用它的必要細節,讓我們通過一個例子初步看看工作流程。

1.定義訓練資料

第一步很簡單:您必須定義輸入和標的張量。 更加困難的資料相關方面 – 不屬於Keras特定的工作流程 – 實際上是查找或策劃,然後清理和預處理某些資料,這是任何機器學習任務的關註點。 這是模型的一個步驟,通常不涉及調整模型超引數。

雖然我們的設計示例隨機生成一些要使用的資料,但它捕獲了此步驟的單一方面:定義輸入(X_train)和標的(y_train)張量。

1# Define the training data
2import numpy as np
3
4X_train = np.random.random((5000, 32))
5y_train = np.random.random((5000, 5))

Keras有兩種定義神經網絡的方法:Sequential模型類和Functional API。兩者都有共同定義神經網絡的標的,但採取不同的方法。

Sequential類用於定義網絡層的線性堆棧,然後共同構成模型。在下麵的示例中,我們將使用Sequential建構式創建一個模型,然後使用add()方法將圖層添加到其中。

創建模型的另一種方法是通過Functional API。與Sequential模型限定僅由線性堆棧中的層構成的網絡相反,Functional API提供了更複雜模型所需的靈活性。這種複雜性最好地體現在多輸入模型,多輸出模型和類圖模型的定義的用例中。

我們的示例中的代碼使用Sequential類。它首先呼叫建構式,然後呼叫add()方法將圖層添加到模型中。第一個這樣的呼叫添加了一個Dense型別的層(“只是你的常規密集連接的NN層”)。 Dense圖層的輸出大小為16,輸入大小為INPUT_DIM,在我們的例子中為32(請查看上面的代碼片段進行確認)。請註意,只有模型的第一層需要明確說明輸入維度;以下層能夠從先前的線性堆疊層推斷出。按照標準做法,整流線性單元激活函式用於該層。

下一行代碼定義了我們模型的下一個Dense層。請註意,此處未指定輸入大小。但是,指定輸出大小為5,這與我們的多類別分類問題中的假定類別數量相匹配(請再次檢查上面的代碼片段以確認)。由於這是我們用網絡解決的多類分類問題,因此該層的激活功能設置為softmax。

1# Define the neural network model
2from keras import models
3from keras import layers
4
5INPUT_DIM = X_train.shape[1]
6
7model = models.Sequential()
8model.add(layers.Dense(16, activation='relu', input_dim=INPUT_DIM))
9model.add(layers.Dense(5, activation='softmax'))

通過這幾行,我們定義了Keras模型。 Sequential類的summary()方法提供了對我們模型的以下見解:

3.配置學習過程

通過定義訓練資料和定義模型,可以配置學習過程。 這是通過呼叫Sequential模型類的compile()方法完成的。 編譯需要3個引數:優化器,損失函式和度量串列。

在我們的示例中,設置為多類分類問題,我們將使用Adam優化器,分類的交叉熵損失函式,並且僅包括準確度度量。

1# Configure the learning process
2from keras import optimizers
3from keras import metrics
4
5model.compile(optimizer='adam'
6              loss='categorical_crossentropy'
7              metrics=['accuracy'])

通過使用這些引數呼叫compile(),我們的模型現在已經配置了學習過程。

4.訓練模型

此時,我們有訓練資料和完全配置的神經網絡來訓練所述資料。 剩下的就是將資料傳遞給模型以便開始訓練過程,這個過程通過迭代訓練資料來完成。 通過呼叫fit()方法開始訓練。

fit()至少需要2個引數:輸入和標的張量。 如果沒有提供更多內容,則會執行一次訓練資料迭代,這通常對您沒有任何好處。 因此,在實際的最小範圍內,更常規的是定義一對附加引數:batch_size和epochs。 我們的例子包括這4個引數。

請註意,epoch精度並不是特別令人欽佩,這對於使用的隨機資料是有意義的。

希望通過使用庫作者規定併在此概述的簡單的4步驟流程,可以解釋Keras用於解決普通舊分類問題的方式。

附錄:完整代碼

 1import numpy as np
2from keras import models
3from keras import layers
4from keras import optimizers
5from keras import metrics
6
7X_train = np.random.random((500032))
8y_train = np.random.random((50005))
9INPUT_DIM = X_train.shape[1]
10model = models.Sequential()
11model.add(layers.Dense(16, activation='relu', input_dim=INPUT_DIM))
12model.add(layers.Dense(5, activation='softmax'))
13model.compile(optimizer='adam'
14              loss='categorical_crossentropy'
15              metrics=['accuracy'])
16model.fit(X_train, y_train, 
17          batch_size=128
18          epochs=10)

作者:Matthew Mayo
原文鏈接:
https://www.kdnuggets.com/2018/06/keras-4-step-workflow.html

版權宣告:作者保留權利,嚴禁修改,轉載請註明原文鏈接。

資料人網是資料人學習、交流和分享的平臺http://shujuren.org 。專註於從資料中學習到有用知識。
平臺的理念:人人投稿,知識共享;人人分析,洞見驅動;智慧聚合,普惠人人。
您在資料人網平臺,可以1)學習資料知識;2)創建資料博客;3)認識資料朋友;4)尋找資料工作;5)找到其它與資料相關的乾貨。
我們努力堅持做原創,聚合和分享優質的省時的資料知識!
我們都是資料人,資料是有價值的,堅定不移地實現從資料到商業價值的轉換!

點擊閱讀原文,進入資料人網。

公眾號推薦:

鏈達君,專註於分享區塊鏈內容。

艾鴿英語,專註於英語口語教育。

赞(0)

分享創造快樂