Keras - 深度学习

Keras 提供了一个完整的框架来创建任何类型的神经网络。Keras 具有创新性并且非常容易学习。它支持简单的神经网络到非常大和复杂的神经网络模型。本章让我们了解 Keras 框架的架构以及 Keras 如何帮助深度学习。

Keras 的架构

Keras API 可以分为三个主要类别 -

  • 模型
  • 层
  • 核心模块

在 Keras 中，每个 ANN 都由Keras 模型表示。反过来，每个 Keras 模型都是由Keras 层组成，代表 ANN 层，如输入、隐藏层、输出层、卷积层、池化层等，Keras 模型和层访问Keras 模块用于激活函数、损失函数、正则化函数、等，使用 Keras 模型、Keras Layer 和 Keras 模块，可以以简单高效的方式表示任何 ANN 算法（CNN、RNN 等）。

下图描述了模型、层和核心模块之间的关系 -

Keras 的架构

让我们看看 Keras 模型、Keras 层和 Keras 模块的概述。

模型

Keras 模型有两种类型，如下所述 -

序列模型- 序列模型基本上是 Keras 层的线性组合。序列模型简单、最小，并且能够表示几乎所有可用的神经网络。

一个简单的顺序模型如下 -

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

在哪里，

  • 第 1 行从 Keras 模型导入Sequential模型

  • 第2号线导入Dense层和Activation模块

  • 第 4 行使用Sequential API创建一个新的顺序模型

  • 第5行添加了带有relu激活（使用Activation模块）功能的密集层（Dense API）。

顺序模型也公开模型类来创建自定义模型。我们可以使用子类概念来创建我们自己的复杂模型。

功能 API - 功能 API 基本上用于创建复杂的模型。

层

Keras 模型中的每个 Keras 层代表实际提出的神经网络模型中的相应层（输入层、隐藏层和输出层）。Keras 提供了大量预构建层，以便可以轻松创建任何复杂的神经网络。下面指定了一些重要的 Keras 层，

  • 核心层
  • 卷积层
  • 池化层
  • 循环层

使用顺序模型表示神经网络模型的简单 python 代码如下 -

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout 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(num_classes, activation = 'softmax'))

在哪里，

  • 第 1 行从 Keras 模型导入Sequential模型

  • 第2号线导入Dense层和Activation模块

  • 第 4 行使用Sequential API创建一个新的顺序模型

  • 第5行添加了带有relu激活（使用Activation模块）功能的密集层（Dense API）。

  • 第 6 行添加了一个 dropout 层（Dropout API）来处理过度拟合。

  • 第 7 行添加了另一个带有relu激活（使用 Activation 模块）功能的密集层（Dense API）。

  • 第 8 行添加了另一个 dropout 层（Dropout API）来处理过度拟合。

  • 第 9 行添加了带有softmax激活（使用激活模块）功能的最终密集层（Dense API） 。

Keras 还提供了创建我们自己的自定义层的选项。可以通过对Keras.Layer类进行子类化来创建自定义层，这与对 Keras 模型进行子类化类似。

核心模块

Keras 还提供了很多内置的神经网络相关函数来正确创建 Keras 模型和 Keras 层。一些功能如下 -

  • 激活模块- 激活函数是 ANN 中的一个重要概念，激活模块提供了许多激活函数，如 softmax、relu 等，

  • 损失模块- 损失模块提供损失函数，如mean_squared_error、mean_absolute_error、poisson等，

  • 优化器模块- 优化器模块提供优化器功能，如 adam、sgd 等，

  • 正则化器- 正则化器模块提供 L1 正则化器、L2 正则化器等功能，

让我们在下一章详细学习 Keras 模块。