16 Keras简介

在前一章中，我们了解了如何使用 TensorFlow 的计算图进行基本的计算操作，包括使用 fetch 和 feed 方法来获取和传递数据。这为我们后续的深度学习模型构建打下了基础。本章将重点介绍 Keras，一个用于构建和训练深度学习模型的高层API。

Keras 是一个用户友好的深度学习库，能够简化神经网络的创建和训练过程。它在 TensorFlow 内部实现，具有强大的功能，并且提供了简单而一致的 API，使得构建复杂的模型变得更容易。

Keras的核心概念

在 Keras 中，模型是由一个或多个“层（Layer）”组成的。层是 Keras 的基本组成部分，负责执行大部分的计算或转换。以下是 Keras 中几个重要的概念：

• 模型（Model）：Keras 中的模型可以视为一个神经网络，负责处理输入数据并输出预测值。Keras 提供了 Sequential 和 Functional 两种模型构建方式。
• 层（Layer）：层是模型的构成部分，每一层可以执行特定的计算，比如全连接层（Dense）、卷积层（Conv2D）等。层的数量和类型直接影响模型的性能。
• 损失函数（Loss Function）：损失函数用于评估模型输出与真实标签之间的差距，从而指导模型的优化。
• 优化器（Optimizer）：优化器用于更新模型的参数以最小化损失函数，常用的优化器包括 SGD、Adam 等。
• 指标（Metrics）：指标用于评估模型的性能，例如准确率等。

Keras的优势

1. 易于使用：Keras 的 API 简单明了，非常适合新手快速上手。
2. 灵活性与可扩展性：虽然 Keras 很简单，但它仍然提供了足够的灵活性来构建复杂的深度学习模型。
3. 支持多种后端：Keras 支持多种后端，包括 TensorFlow、Theano 和 CNTK，使得它具有广泛的适应性。

Keras示例

下面，我们将通过一个简单的例子来说明如何使用 Keras 构建和训练一个模型。我们将创建一个用于简单分类任务的模型。假设我们要训练一个模型来对手写数字（MNIST 数据集）进行分类。

数据预处理

首先，我们需要加载并预处理数据：

import numpy as np
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

print(f'x_train shape: {x_train.shape}, x_test shape: {x_test.shape}')

在上面的代码中，我们首先加载了 MNIST 数据集，并将像素值缩放到 $[0,1]$ 之间，然后将标签转换为独热编码格式。

构建模型

接下来，我们使用 Keras 构建一个简单的全连接神经网络模型：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense

# 构建模型
model = Sequential()  # 初始化一个顺序模型
model.add(Flatten(input_shape=(28, 28)))  # 将28x28的图片展平成784维向量
model.add(Dense(128, activation='relu'))   # 添加一层全连接层，128个神经元
model.add(Dense(10, activation='softmax'))  # 输出层，10个神经元（对应数字0-9）

# 查看模型摘要
model.summary()

在这个模型中，我们使用 Flatten 层将输入的二维图像转换为一维向量，并添加了两个全连接层。最后一层使用 softmax 激活函数为多类分类提供输出。

编译模型

在训练之前，我们需要编译模型，指定优化器、损失函数和评估指标：

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

训练模型

现在，我们可以开始训练模型：

model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

在这里，我们指定了训练的轮次（epochs）和批大小（batch_size）。validation_split 选项用于从训练集中保留一部分数据作为验证集，用于评估模型的性能。

评估模型

最后，我们可以使用测试集评估模型的性能：

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_accuracy:.4f}')

小结

通过本章的介绍，我们对 Keras 有了一个初步的了解。Keras 提供了高效、简洁的方式来构建深度学习模型，使得用户能够专注于模型的设计和调优，而不是低层次的细节。在接下来的章节中，我们将探讨如何使用 Keras 构建更复杂的模型，进一步提升我们的深度学习能力。在下一章中，我们将深入学习如何构建更为简单、实用的 Keras 模型。