云通AI课堂

Keras 课程

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。

查看文档，请访问 Keras.io。备份网址：Keras-zh。

Keras 兼容的 Python 版本: Python 2.7-3.6。

多后端 Keras 和 tf.keras:

目前，我们推荐使用 TensorFlow 后端的 Keras 用户切换至 TensorFlow 2.0 的 tf.keras。 tf.keras 具有更好的维护，并且更好地集成了 TensorFlow 功能（eager执行，分布式支持及其他）。

Keras 2.2.5 是最后一个实现 2.2.* API 的 Keras 版本。它是最后一个仅支持 TensorFlow 1（以及 Theano 和 CNTK）的版本。

Keras 的当前版本是 2.3.0，它对 API 做了重大的调整，并且添加了 TensorFlow 2.0 的支持。2.3.0 将会是最后一个多后端 Keras 主版本。多后端 Keras 已被 tf.keras 取代。

多后端 Keras 中存在的错误修复仅会持续到 2020 年 4 月（作为次要版本的一部分）。

关于 Keras 未来的更多信息，详见 the Keras meeting notes。

指导原则

  • 用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
  • 模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
  • 易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
  • 基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

Sequential 模型如下所示：

from keras.models import Sequential

model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？

有关 Keras 更深入的教程，请查看：

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一: TensorFlow, Theano 或者 CNTK。我们推荐 TensorFlow 后端。

你也可以考虑安装以下可选依赖：

  • cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
  • HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
  • graphviz 和 pydot (用于绘制模型图的可视化工具)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

  • 使用 PyPI 安装 Keras（推荐）：

注意：这些安装步骤假定你在 Linux 或 Mac 环境中。 如果你使用的是 Windows，则需要删除 sudo 才能运行以下命令。

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras
  • 或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

Keras 课程