Keras - 模型编译

之前，我们学习了如何使用顺序 API 和函数式 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，我们就可以进入训练阶段。

让我们学习一些更好地理解编译过程所需的概念。

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 -

  • 均方误差
  • 平均绝对误差
  • 平均绝对百分比误差
  • 均方对数误差
  • 方形铰链
  • 合页
  • 分类铰链
  • 洛科什
  • huber_loss
  • 分类交叉熵
  • 稀疏分类交叉熵
  • 二元交叉熵
  • kullback_leibler_divergence
  • 泊松
  • 余弦邻近度
  • is_categorical_crossentropy

所有上述损失函数接受两个参数 -

  • y_true - true 标签作为张量

  • 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)

Nadam - Nesterov 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，指标用于评估模型的性能。它与损失函数类似，但在训练过程中不使用。Keras 提供了相当多的指标作为模块，指标如下

  • 准确性
  • 二进制精度
  • 分类准确度
  • 稀疏分类准确度
  • top_k_categorical_accuracy
  • 稀疏_top_k_categorical_accuracy
  • 余弦邻近度
  • 克隆度量

与损失函数类似，指标也接受以下两个参数 -

  • y_true - true 标签作为张量

  • y_pred - 与y_true形状相同的预测

在使用指标之前导入指标模块，如下所示 -

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
)

重要论点如下 -

  • 损失函数
  • 优化器
  • 指标

编译该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])

在哪里，

  • 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训练模型。这也可用于绘制模型性能图表。它具有以下语法 -

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

这里，

  • X, y - 这是一个用于评估数据的元组。

  • epochs - 在训练期间不需要评估模型的次数。

  • batch_size - 训练实例。

让我们通过一个简单的 numpy 随机数据示例来使用这个概念。

创建数据

让我们借助下面提到的命令，使用 numpy 创建 x 和 y 的随机数据 -

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。

让我们应用所学知识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——数据集，用于下载在线机器学习数据以进行训练。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
  • 路透社专题分类
  • 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()

在哪里

  • 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)表示形状为(number_sample, 28, 28) 的训练数据及其数字标签形状，(number_samples,)。第二个元组（x_test，y_test）表示具有相同形状的测试数据。

也可以使用类似的 API 获取其他数据集，并且每个 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。

创建模型

该模型的核心特征如下 -

  • 输入层由 784 个值组成 (28 x 28 = 784)。

  • 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。

  • 第三隐藏层，同样是密集的，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。

  • 第五层也是最后一层由 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 作为纪元。

步骤 1 - 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

步骤 2 - 加载数据

让我们导入 mnist 数据集。

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

步骤 3 - 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)

在哪里

  • 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元矩阵

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，我们将在下一章中学习这一点。

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))

执行应用程序将给出以下内容作为输出 -

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