Keras:基于Python的深度学习库

什么是Keras?

Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生,能够把你的idea迅速转换为结果,如果你有如下需求,请选择Keras:

  • 简易和快速的原型设计(keras具有高度模块化,极简,和可扩充特性)
  • 支持CNN和RNN,或二者的结合
  • 无缝CPU和GPU切换

Keras适用的Python版本是:Python 2.7~3.6

Keras的设计原则是:

  • 用户友好:Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践:Keras提供一致而简洁的API, 能够极大减少一般应用下用户的工作量,同时,Keras提供清晰和具有实践意义的bug反馈。
  • 模块性:模型可理解为一个层的序列或数据的运算图,完全可配置的模块可以用最少的代价自由组合在一起。具体而言,网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块,你可以使用它们来构建自己的模型。
  • 易扩展性:添加新模块超级容易,只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
  • 与Python协作:Keras没有单独的模型配置文件类型(作为对比,caffe有),模型由python代码描述,使其更紧凑和更易debug,并提供了扩展的便利性。

关于Keras中文文档

本文档是Keras文档的中文版,包括keras.io的全部内容,以及更多的例子、解释和建议。

由于苦李水平和研究方向所限,无法对所有模块都非常精通,因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问,欢迎发送邮件到likuli@foxmail.com与我取得联系。

当前版本与更新

如果你发现本文档提供的信息有误,有两种可能:

  • 你的Keras版本过低:Keras是一个发展迅速的深度学习框架,请保持你的Keras与官方最新的release版本相符
  • 这里的中文文档没有及时更新:如果是这种情况,请email给苦李,我会尽快更新

快速上手Keras

Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。

你也可以查看函数式模型来学习建立更复杂的模型。

Sequential模型如下:

from keras.models import Sequential
model = Sequential()

将一些网络层通过.add()堆叠起来,就构成了一个模型:

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

完成模型的搭建后,我们需要使用.compile()方法来编译模型:

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

编译模型时必须指明损失函数和优化器,如果需要的话,也可以自己定制损失函数。Keras的一个核心理念就是简明易用,同时保证用户对Keras的绝对控制力度,用户可以根据自己的需要定制自己的模型、网络层,甚至修改源代码。

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

完成模型编译后,我们在训练数据上按batch进行一定次数的迭代来训练网络:

model.fit(x_train, y_train, epochs=5, batch_size=32)

当然,我们也可以手动将一个个batch的数据送入网络中训练,这时候需要使用:

model.train_on_batch(x_batch, y_batch)

随后,我们可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:

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

或者,我们可以使用我们的模型,对新的数据进行预测:

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

搭建一个问答系统、图像分类模型,或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的,现在让我们把它的实现也变的简单起来!

为了更深入的了解Keras,苦李建议你看看下面两个tutorial:

  • 快速开始Sequntial模型
  • 快速开始函数式模型

还有我们的新手教程,虽然是面向新手的,但我们阅读它们总是有益的:

  • Keras新手指南

在Keras代码包的examples文件夹里,我们提供了一些更高级的模型:基于记忆网络的问答系统、基于LSTM的文本的文本生成等。

安装

Keras使用了下面的依赖包:

numpy,scipy
pyyaml
HDF5, h5py(可选,仅在模型的save/load函数中使用)
如果使用CNN的推荐安装cuDNN

Keras可以支持以下三种后端,使用时必须至少选择一种,我们建议选择tensorflow。

当使用TensorFlow为后端时:TensorFlow

当使用Theano作为后端时:Theano

当使用CNTK作为后端时:CNTK

“后端”翻译自backend,指的是Keras依赖于完成底层的张量运算的软件包。

从源码安装Keras时,首先git clone keras的代码:

git clone https://github.com/fchollet/keras.git

接着 cd 到Keras的文件夹中,并运行下面的安装命令:

sudo python setup.py install

你也可以使用PyPI来安装Keras

sudo pip install keras

在Theano、CNTK、TensorFlow间切换

Keras默认使用TensorFlow作为后端来进行张量操作,如需切换到Theano,请查看这里。