Keras Notes: Keras安装与简介

本文主要是介绍Keras Notes: Keras安装与简介，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

reference: http://blog.csdn.net/mmc2015/article/details/50976776

先安装上再说：

sudo pipinstall keras

或者手动安装：

下载：Git clone git://github.com/fchollet/keras.git

传到相应机器上

安装：cd to the Keras folder and run the install command:

sudo python setup.py install

keras在theano之上，在学习keras之前，先理解了这几篇内容：

http://blog.csdn.NET/mmc2015/article/details/42222075（LR）

http://www.deeplearning.Net/tutorial/gettingstarted.html和http://www.deeplearning.net/tutorial/logreg.html（Classifying MNIST digits using Logistic Regression）

总参考：http://www.deeplearning.net/tutorial/contents.html

以第一个链接中给出的代码为例（比较简单）：

[python]  view plain copy  
 import numpy  
 import theano  
 import theano.tensor as T  
 rng = numpy.random  
   
 N = 400                                   # training sample size  
 feats = 784                               # number of input variables  
   
 # generate a dataset: D = (input_values, target_class)  
 D = (rng.randn(N, feats), rng.randint(size=N, low=0, high=2))  
 training_steps = 10000  
   
 # Declare Theano symbolic variables  
 x = T.matrix("x")  
 y = T.vector("y")  
   
 # initialize the weight vector w randomly  
 #  
 # this and the following bias variable b  
 # are shared so they keep their values  
 # between training iterations (updates)  
 w = theano.shared(rng.randn(feats), name="w")  
   
 # initialize the bias term  
 b = theano.shared(0., name="b")  
   
 print("Initial model:")  
 print(w.get_value())  
 print(b.get_value())  
   
 # Construct Theano expression graph  
 p_1 = 1 / (1 + T.exp(-T.dot(x, w) - b))   # Probability that target = 1  
 prediction = p_1 > 0.5                    # The prediction thresholded  
 xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1) # Cross-entropy loss function  
 cost = xent.mean() + 0.01 * (w ** 2).sum()# The cost to minimize  
 gw, gb = T.grad(cost, [w, b])             # Compute the gradient of the cost  
                                           # w.r.t weight vector w and  
                                           # bias term b  
                                           # (we shall return to this in a  
                                           # following section of this tutorial)  
   
 # Compile  
 train = theano.function(  
           inputs=[x,y],  
           outputs=[prediction, xent],  
           updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb)))  
 predict = theano.function(inputs=[x], outputs=prediction)  
   
 # Train  
 for i in range(training_steps):  
     pred, err = train(D[0], D[1])  
   
 print("Final model:")  
 print(w.get_value())  
 print(b.get_value())  
 print("target values for D:")  
 print(D[1])  
 print("prediction on D:")  
 print(predict(D[0]))  

我们发现，使用theano构建模型一般需要如下步骤：

0）预处理数据

[python]  view plain copy  
 # generate a dataset: D = (input_values, target_class)  

1）定义变量

[python]  view plain copy  
 # Declare Theano symbolic variables  

2）构建（图）模型

[python]  view plain copy  
 # Construct Theano expression graph  

3）编译模型，theano.function()

[python]  view plain copy  
 # Compile  

4）训练模型

5）预测新数据

[python]  view plain copy  
 # Train  

[python]  view plain copy  
 print(predict(D[0]))  

那么，theano和keras区别在哪呢？

http://keras.io/

原来是层次不同，keras封装的更好，编程起来更方便（调试起来更麻烦了。。）；theano编程更灵活，自定义完全没问题，适合科研人员啊。

另外，keras和tensorFlow完全兼容。。。

keras有两种模型，序列和图，不解释。

我们看下keras构建模型有多快，以序列为例：

[python]  view plain copy  
 from keras.models import Sequential  
 model = Sequential() #1定义变量  
   
 from keras.layers.core import Dense, Activation  
 model.add(Dense(output_dim=64, input_dim=100, init="glorot_uniform")) #2构建图模型  
 model.add(Activation("relu"))  
 model.add(Dense(output_dim=10, init="glorot_uniform"))  
 model.add(Activation("softmax"))  
   
 from keras.optimizers import SGD  
 model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True)) #3编译模型  
   
 model.fit(X_train, Y_train, nb_epoch=5, batch_size=32) #4训练模型  
   
 objective_score = model.evaluate(X_test, Y_test, batch_size=32)  
   
 classes = model.predict_classes(X_test, batch_size=32) #5预测模型  
 proba = model.predict_proba(X_test, batch_size=32)  