Keras：透過詳細範例了解基礎知識

開發者們大家好，

如果您是深度學習新手，您可能遇到過 Keras 這個名字。但它到底是什麼？它是如何運作的？在這篇文章中，我將從頭開始解釋所有內容，並向您展示一個使用 Keras 建立簡單深度學習模型的逐步範例。我還將解釋諸如 MNIST 資料集 之類的關鍵概念，以便您可以輕鬆理解！

1.什麼是Keras？

Keras 是一個用 Python 寫的開源高階神經網路 API。它允許開發人員使用用戶友好的介面快速輕鬆地建立深度學習模型。 Keras 位於 TensorFlow 等更複雜的深度學習框架之上，讓您可以專注於建立模型，而不會被底層複雜性所困擾。

2. 為什麼要使用 Keras？

• 易於使用：Keras 的設計易於閱讀和理解，這非常適合初學者。
• 模組化：它是高度模組化的，這意味著您可以像積木一樣將模型組合在一起。
• 多重後端支援：Keras 可以在 TensorFlow、Theano 或 CNTK 之上運行，使其非常靈活。
• 快速原型：只需幾行程式碼即可建立、編譯和訓練深度學習模型。

3.什麼是MNIST？

MNIST 資料集 是機器學習領域中最著名的資料集之一。它包含 70,000 張手寫數字 (0-9) 圖像。每個圖像都是灰階圖片，大小為 28x28 像素。目標是將這些圖像分類為十個數字類別之一。

以下是 MNIST 資料集中的一些數字範例：

[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]

使用 Keras 時，您經常會看到教程中使用 MNIST 資料集，因為它簡單、易於理解，並且非常適合測試新模型。

---

4. 使用 Keras 建立簡單的神經網路（逐步）

現在讓我們使用 Keras 建立一個簡單的神經網路來對這些手寫數字進行分類。我們將一步步進行。

步驟 1：安裝 TensorFlow（Keras 與 TensorFlow 捆綁在一起）

首先，您需要安裝 TensorFlow，因為 Keras 是 TensorFlow 在最新版本中的一部分。您可以透過 pip 安裝它：

pip install tensorflow

步驟2：導入所需的庫

我們將匯入建置和訓練模型所需的 TensorFlow 和 Keras 特定函式庫。

import tensorflow as tf
from tensorflow.keras import layers, models

這裡，tensorflow.keras 是 TensorFlow 中的 Keras API。

步驟 3：載入 MNIST 資料集

Keras 提供了對 MNIST 等資料集的輕鬆存取。我們將載入資料集並將其分為訓練集和測試集。

[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]

在此步驟中，train_images 和 train_labels 保存訓練數據，而 test_images 和 test_labels 保存測試數據。

train_images中的每張影像都是28x28像素的灰階影像，train_labels包含每張影像對應的數位標籤（0-9）。

步驟 4：預處理數據

接下來，我們需要將影像的像素值歸一化，以使模型訓練更有效率。影像中的每個像素值都在 0 到 255 之間。我們將影像除以 255，將這些值縮放到 0 到 1 之間。

pip install tensorflow

第 5 步：建構模型

現在讓我們使用 Keras 來建立我們的神經網路。我們將建立一個順序模型，它允許我們將層堆疊在另一個之上。

import tensorflow as tf
from tensorflow.keras import layers, models

• Flatten：Flatten 層將 28x28 2D 影像轉換為 784 個值的 1D 陣列。
• Dense：Dense 層是全連接層。這裡我們的隱藏層有 128 個神經元，輸出層有 10 個神經元（因為我們有 10 個數字類別）。我們使用 ReLU 作為隱藏層的活化函數，使用 softmax 作為輸出層。

第 6 步：編譯模型

接下來，我們需要編譯模型。這是我們指定最佳化器、損失函數和評估指標。
的地方

# Load the MNIST dataset
mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

• Adam 最佳化器：這是一種用於訓練深度學習模型的流行最佳化器。
• 稀疏分類交叉熵：此損失函數用於像我們這樣的多類別分類問題。
• 準確度：我們將使用準確度作為評估模型表現的指標。

第 7 步：訓練模型

現在，我們準備好訓練模型了！我們將對其進行 5 epochs 訓練（即模型將遍歷整個訓練資料集 5 次）。

# Normalize pixel values to be between 0 and 1
train_images = train_images / 255.0
test_images = test_images / 255.0

第 8 步：評估模型

模型訓練完成後，我們可以評估其在測試資料上的表現。

# Build the model
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),      # Flatten the 28x28 images into a 1D vector of 784 pixels
    layers.Dense(128, activation='relu'),      # Add a fully-connected (Dense) layer with 128 neurons
    layers.Dense(10, activation='softmax')     # Output layer with 10 neurons (one for each digit 0-9)
])

這將為我們提供模型在測試資料集上的準確性。

---

5. 幕後發生了什麼事？

簡單來說：

1. 資料預處理：我們將資料歸一化，使訓練更有效率。
2. 模型定義：我們使用順序 API 建構了一個簡單的前饋神經網路。
3. 編譯：我們選擇了正確的損失函數和最佳化器來指導模型的學習。
4. 訓練：模型學會了透過多次遍歷資料集將影像映射到數字。
5. 評估：最後，我們檢查了模型對未見過的資料的泛化程度。

---

6. 下一步該何去何從？

Keras 簡化了建構和訓練神經網路的過程，使其成為初學者的理想起點。一旦您熟悉了基本模型，您就可以嘗試更複雜的架構，例如卷積神經網路（CNN）和循環神經網路（RNN）。

隨意使用 Keras 深入探索深度學習的世界，嘗試不同的模型，並突破可能的界限！

---

到目前為止，您對 Keras 有何看法？

以上是Keras：透過詳細範例了解基礎知識的詳細內容。更多資訊請關注PHP中文網其他相關文章！