Keras:基于Theano和TensorFlow的深度學(xué)習(xí)庫(kù)

這就是Keras

Keras是一個(gè)高層神經(jīng)網(wǎng)絡(luò)庫(kù),，Keras由純Python編寫而成并基Tensorflow或Theano。Keras為支持快速實(shí)驗(yàn)而生,，能夠把你的idea迅速轉(zhuǎn)換為結(jié)果,，如果你有如下需求，請(qǐng)選擇Keras：

• 簡(jiǎn)易和快速的原型設(shè)計(jì)（keras具有高度模塊化,，極簡(jiǎn),，和可擴(kuò)充特性）
• 支持CNN和RNN，或二者的結(jié)合
• 支持任意的鏈接方案（包括多輸入和多輸出訓(xùn)練）
• 無(wú)縫CPU和GPU切換

Keras適用的Python版本是：Python 2.7-3.5

Keras的設(shè)計(jì)原則是

• 模塊性：模型可理解為一個(gè)獨(dú)立的序列或圖,，完全可配置的模塊以最少的代價(jià)自由組合在一起,。具體而言，網(wǎng)絡(luò)層,、損失函數(shù),、優(yōu)化器、初始化策略,、激活函數(shù)、正則化方法都是獨(dú)立的模塊,，你可以使用它們來(lái)構(gòu)建自己的模型,。

• 極簡(jiǎn)主義：每個(gè)模塊都應(yīng)該盡量的簡(jiǎn)潔。每一段代碼都應(yīng)該在初次閱讀時(shí)都顯得直觀易懂,。沒(méi)有黑魔法,，因?yàn)樗鼘⒔o迭代和創(chuàng)新帶來(lái)麻煩。

• 易擴(kuò)展性：添加新模塊超級(jí)簡(jiǎn)單的容易,，只需要仿照現(xiàn)有的模塊編寫新的類或函數(shù)即可,。創(chuàng)建新模塊的便利性使得Keras更適合于先進(jìn)的研究工作。

• 與Python協(xié)作：Keras沒(méi)有單獨(dú)的模型配置文件類型（作為對(duì)比,，caffe有）,，模型由python代碼描述，使其更緊湊和更易debug，并提供了擴(kuò)展的便利性,。

Keras從2015年3月開始啟動(dòng),，經(jīng)過(guò)一年多的開發(fā)，目前Keras進(jìn)入了1.0的時(shí)代,。Keras 1.0依然遵循相同的設(shè)計(jì)原則,，但與之前的版本相比有很大的不同。如果你曾經(jīng)使用過(guò)此前的其他版本Keras,。你或許會(huì)關(guān)心1.0的新特性,。

• 泛型模型：簡(jiǎn)單和強(qiáng)大的新模塊，用于支持復(fù)雜深度學(xué)習(xí)模型的搭建,。

• 更優(yōu)秀的性能：現(xiàn)在,，Keras模型的編譯時(shí)間得到縮短。所有的RNN現(xiàn)在都可以用兩種方式實(shí)現(xiàn),，以供用戶在不同配置任務(wù)和配置環(huán)境下取得最大性能?，F(xiàn)在，基于Theano的RNN也可以被展開,，以獲得大概25%的加速計(jì)算,。

• 測(cè)量指標(biāo)：現(xiàn)在，你可以提供一系列的測(cè)量指標(biāo)來(lái)在Keras的任何監(jiān)測(cè)點(diǎn)觀察模型性能,。

• 更優(yōu)的用戶體驗(yàn)：我們面向使用者重新編寫了代碼,，使得函數(shù)API更簡(jiǎn)單易記，同時(shí)提供更有效的出錯(cuò)信息,。

• 新版本的Keras提供了Lambda層,，以實(shí)現(xiàn)一些簡(jiǎn)單的計(jì)算任務(wù)。

• ...

如果你已經(jīng)基于Keras0.3編寫了自己的層,，那么在升級(jí)后,，你需要為自己的代碼做以下調(diào)整，以在Keras1.0上繼續(xù)運(yùn)行,。請(qǐng)參考編寫自己的層

關(guān)于Keras-cn

本文檔是Keras文檔的中文版,，包括的全部?jī)?nèi)容，以及更多的例子,、解釋和建議,，目前，文檔的計(jì)劃是：

• 1.x版本：現(xiàn)有文檔的中文翻譯,，保持與官方文檔的同步

• 2.x版本：完善所有【Tips】模塊,，澄清深度學(xué)習(xí)中的相關(guān)概念和Keras模塊的使用方法

• 3.x版本：增加Keras相關(guān)模塊的實(shí)現(xiàn)原理和部分細(xì)節(jié)，幫助用戶更準(zhǔn)確的把握Keras,，并添加更多的示例代碼

現(xiàn)在,，keras-cn的版本號(hào)將簡(jiǎn)單的跟隨最新的keras release版本

由于作者水平和研究方向所限,，無(wú)法對(duì)所有模塊都非常精通，因此文檔中不可避免的會(huì)出現(xiàn)各種錯(cuò)誤,、疏漏和不足之處,。如果您在使用過(guò)程中有任何意見、建議和疑問(wèn),，歡迎發(fā)送郵件到[email protected]與我取得聯(lián)系,。

您對(duì)文檔的任何貢獻(xiàn)，包括文檔的翻譯,、查缺補(bǔ)漏,、概念解釋、發(fā)現(xiàn)和修改問(wèn)題,、貢獻(xiàn)示例程序等,，均會(huì)被記錄在致謝，十分感謝您對(duì)Keras中文文檔的貢獻(xiàn),！

同時(shí),，也歡迎您撰文向本文檔投稿，您的稿件被錄用后將以單獨(dú)的頁(yè)面顯示在網(wǎng)站中,，您有權(quán)在您的網(wǎng)頁(yè)下設(shè)置贊助二維碼,，以獲取來(lái)自網(wǎng)友的小額贊助。

如果你發(fā)現(xiàn)本文檔缺失了官方文檔的部分內(nèi)容,，請(qǐng)積極聯(lián)系我補(bǔ)充,。

本文檔相對(duì)于原文檔有更多的使用指導(dǎo)和概念澄清，請(qǐng)?jiān)谑褂脮r(shí)關(guān)注文檔中的Tips,，特別的,，本文檔的額外模塊還有：

• 一些基本概念：位于快速開始模塊的一些基本概念簡(jiǎn)單介紹了使用Keras前需要知道的一些小知識(shí)，新手在使用前應(yīng)該先閱讀本部分的文檔,。

• Keras安裝和配置指南,，提供了詳細(xì)的Linux和Windows下Keras的安裝和配置步驟。

• 深度學(xué)習(xí)與Keras：位于導(dǎo)航欄最下方的該模塊翻譯了來(lái)自Keras作者博客和其他Keras相關(guān)博客的文章,，該欄目的文章提供了對(duì)深度學(xué)習(xí)的理解和大量使用Keras的例子,，您也可以向這個(gè)欄目投稿。所有的文章均在醒目位置標(biāo)志標(biāo)明來(lái)源與作者,，本文檔對(duì)該欄目文章的原文不具有任何處置權(quán)。如您仍覺(jué)不妥,，請(qǐng)聯(lián)系本人（[email protected]）刪除,。

當(dāng)前版本與更新

如果你發(fā)現(xiàn)本文檔提供的信息有誤，有兩種可能：

• 你的Keras版本過(guò)低：記住Keras是一個(gè)發(fā)展迅速的深度學(xué)習(xí)框架,，請(qǐng)保持你的Keras與官方最新的release版本相符

• 我們的中文文檔沒(méi)有及時(shí)更新：如果是這種情況,，請(qǐng)發(fā)郵件給我，我會(huì)盡快更新

目前文檔的版本號(hào)是1.2.0，對(duì)應(yīng)于官方的1.2.0 release 版本, 本次更新的主要內(nèi)容是：

• 為一大批backend函數(shù)提供了更詳細(xì)的說(shuō)明和使用范例,，現(xiàn)在理解這些函數(shù)將會(huì)變得更簡(jiǎn)單
• 增加了“ReduceLROnPlatue”,，“CSVLogger”和“LambdaCallback”三種回調(diào)函數(shù)，具體說(shuō)明請(qǐng)參考文檔
• 增加了三種metrics,，分別是精確率percision,，召回率recall和f-measure
• 為Application中的模型添加了input_shape關(guān)鍵字，并在注釋中給出了其合法范圍,，在不加載全連接層時(shí),，用戶可以在合法范圍內(nèi)自己設(shè)定input_shape
• 修改了FAQ關(guān)于獲取中間層數(shù)據(jù)的方法，提供了一種更為簡(jiǎn)潔的方法
• 增加了關(guān)于~/.kears/keras.json文件中的參數(shù)說(shuō)明
• 為PRelu類的激活函數(shù)增加了關(guān)鍵字參數(shù)shared_axes,，現(xiàn)在你可以指定某些維度上共享可訓(xùn)練的p參數(shù)
• 為卷積層的border_mode增加了新類型“full”,，該類型目前僅能用于Theano后端
• 增加了若干backend函數(shù)，并修正了部分文檔錯(cuò)誤

注意,，keras在github上的master往往要高于當(dāng)前的release版本,，如果你從源碼編譯keras，可能某些模塊與文檔說(shuō)明不相符,，請(qǐng)以官方Github代碼為準(zhǔn)

快速開始：30s上手Keras

Keras的核心數(shù)據(jù)結(jié)構(gòu)是“模型”,，模型是一種組織網(wǎng)絡(luò)層的方式。Keras中主要的模型是Sequential模型,，Sequential是一系列網(wǎng)絡(luò)層按順序構(gòu)成的棧,。你也可以查看泛型模型來(lái)學(xué)習(xí)建立更復(fù)雜的模型

Sequential模型如下

將一些網(wǎng)絡(luò)層通過(guò).add()堆疊起來(lái)，就構(gòu)成了一個(gè)模型：

完成模型的搭建后,，我們需要使用.compile()方法來(lái)編譯模型：

編譯模型時(shí)必須指明損失函數(shù)和優(yōu)化器,，如果你需要的話，也可以自己定制損失函數(shù),。Keras的一個(gè)核心理念就是簡(jiǎn)明易用同時(shí),，保證用戶對(duì)Keras的絕對(duì)控制力度，用戶可以根據(jù)自己的需要定制自己的模型,、網(wǎng)絡(luò)層,，甚至修改源代碼。

完成模型編譯后,，我們?cè)谟?xùn)練數(shù)據(jù)上按batch進(jìn)行一定次數(shù)的迭代訓(xùn)練,，以擬合網(wǎng)絡(luò)，關(guān)于為什么要使用‘batch’,，請(qǐng)參考一些基本概念

當(dāng)然,，我們也可以手動(dòng)將一個(gè)個(gè)batch的數(shù)據(jù)送入網(wǎng)絡(luò)中訓(xùn)練，這時(shí)候需要使用：

隨后,，我們可以使用一行代碼對(duì)我們的模型進(jìn)行評(píng)估,，看看模型的指標(biāo)是否滿足我們的要求：

或者,，我們可以使用我們的模型，對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)：

搭建一個(gè)問(wèn)答系統(tǒng),、圖像分類模型,，或神經(jīng)圖靈機(jī),、word2vec詞嵌入器就是這么快,。支撐深度學(xué)習(xí)的基本想法本就是簡(jiǎn)單的,，現(xiàn)在讓我們把它的實(shí)現(xiàn)也變的簡(jiǎn)單起來(lái),！

為了更深入的了解Keras,，我們建議你查看一下下面的兩個(gè)tutorial

• 快速開始Sequntial模型
• 快速開始泛型模型

還有我們對(duì)一些概念的解釋

• 一些基本概念

在Keras代碼包的examples文件夾里,，我們提供了一些更高級(jí)的模型：基于記憶網(wǎng)絡(luò)的問(wèn)答系統(tǒng),、基于LSTM的文本的文本生成等,。

安裝

Keras使用了下面的依賴包：

• numpy,，scipy

• pyyaml

• HDF5, h5py（可選,，僅在模型的save/load函數(shù)中使用）

當(dāng)使用TensorFlow為后端時(shí)：

• TensorFlow

當(dāng)使用Theano作為后端時(shí)：

• Theano

【Tips】“后端”翻譯自backend，指的是Keras依賴于完成底層的張量運(yùn)算的軟件包,?！継Bigmoyan】

安裝Keras時(shí)，請(qǐng)cd到Keras的文件夾中,，并運(yùn)行下面的安裝命令：

你也可以使用PyPI來(lái)安裝Keras

詳細(xì)的Windows和Linux安裝教程請(qǐng)參考“快速開始”一節(jié)中給出的安裝教程,，特別鳴謝SCP-173編寫了這些教程

在Theano和TensorFlow間切換

Keras默認(rèn)使用TensorFlow作為后端來(lái)進(jìn)行張量操作，如需切換到Theano,，請(qǐng)查看這里

技術(shù)支持

你可以在下列網(wǎng)址提問(wèn)或加入Keras開發(fā)討論:

• Keras Google group
• Keras Slack channel,[點(diǎn)擊這里]獲得邀請(qǐng).

你也可以在Github issues里提問(wèn)或請(qǐng)求新特性,。在提問(wèn)之前請(qǐng)確保你閱讀過(guò)我們的指導(dǎo)

同時(shí)，我們也歡迎同學(xué)們加我們的QQ群119427073進(jìn)行討論（潛水和灌水會(huì)被T,，入群說(shuō)明公司/學(xué)校-職位/年級(jí)）

小額贊助

如果你覺(jué)得本文檔對(duì)你的研究和使用有所幫助,，歡迎掃下面的二維碼對(duì)作者進(jìn)行小額贊助，以鼓勵(lì)作者進(jìn)一步完善文檔內(nèi)容,，提高文檔質(zhì)量,。同時(shí)，不妨為本文檔的github加顆星哦

如果你覺(jué)得有用頁(yè)面下有小額贊助的二維碼或微信/支付寶賬號(hào),，說(shuō)明該頁(yè)面由其他作者貢獻(xiàn),，要對(duì)他們進(jìn)行小額贊助請(qǐng)使用該頁(yè)面下的二維碼或賬號(hào)