Keras：通过详细示例了解基础知识

开发者们大家好，

如果您是深度学习新手，您可能遇到过 Keras 这个名字。但它到底是什么？它是如何工作的？在这篇文章中，我将从头开始解释所有内容，并向您展示一个使用 Keras 构建简单深度学习模型的分步示例。我还将解释诸如 MNIST 数据集 之类的关键概念，以便您可以轻松理解！

1.什么是Keras？

Keras 是一个用 Python 编写的开源高级神经网络 API。它允许开发人员使用用户友好的界面快速轻松地构建深度学习模型。 Keras 位于 TensorFlow 等更复杂的深度学习框架之上，让您可以专注于构建模型，而不会被底层复杂性所困扰。

2. 为什么使用 Keras？

• 易于使用：Keras 的设计易于阅读和理解，这非常适合初学者。
• 模块化：它是高度模块化的，这意味着您可以像积木一样将模型组合在一起。
• 多后端支持：Keras 可以在 TensorFlow、Theano 或 CNTK 之上运行，使其非常灵活。
• 快速原型：只需几行代码即可构建、编译和训练深度学习模型。

3.什么是MNIST？

MNIST 数据集 是机器学习领域最著名的数据集之一。它包含 70,000 张手写数字 (0-9) 图像。每个图像都是灰度图片，大小为 28x28 像素。目标是将这些图像分类为十个数字类别之一。

以下是 MNIST 数据集中的一些数字示例：

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

使用 Keras 时，您经常会看到教程中使用 MNIST 数据集，因为它简单、易于理解，并且非常适合测试新模型。

---

4. 使用 Keras 构建简单的神经网络（逐步）

现在让我们使用 Keras 构建一个简单的神经网络来对这些手写数字进行分类。我们将一步步进行。

第 1 步：安装 TensorFlow（Keras 与 TensorFlow 捆绑在一起）

首先，您需要安装 TensorFlow，因为 Keras 是最新版本中 TensorFlow 的一部分。您可以通过 pip 安装它：

pip install tensorflow

第2步：导入所需的库

我们将导入构建和训练模型所需的 TensorFlow 和 Keras 特定库。

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

这里，tensorflow.keras 是 TensorFlow 中的 Keras API。

步骤 3：加载 MNIST 数据集

Keras 提供了对 MNIST 等数据集的轻松访问。我们将加载数据集并将其分为训练集和测试集。

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

在此步骤中，train_images 和 train_labels 保存训练数据，而 test_images 和 test_labels 保存测试数据。

train_images中的每张图像都是28x28像素的灰度图像，train_labels包含每张图像对应的数字标签（0-9）。

步骤 4：预处理数据

接下来，我们需要对图像的像素值进行归一化，以使模型训练更加高效。图像中的每个像素值都在 0 到 255 之间。我们将图像除以 255，将这些值缩放到 0 到 1 之间。

pip install tensorflow

第 5 步：构建模型

现在让我们使用 Keras 构建我们的神经网络。我们将创建一个顺序模型，它允许我们将层堆叠在另一个之上。

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

• Flatten：Flatten 层将 28x28 2D 图像转换为 784 个值的 1D 数组。
• Dense：Dense 层是全连接层。这里我们的隐藏层有 128 个神经元，输出层有 10 个神经元（因为我们有 10 个数字类）。我们使用 ReLU 作为隐藏层的激活函数，使用 softmax 作为输出层。

第 6 步：编译模型

接下来，我们需要编译模型。这是我们指定优化器、损失函数和评估指标。
的地方

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

• Adam 优化器：这是一种用于训练深度学习模型的流行优化器。
• 稀疏分类交叉熵：此损失函数用于像我们这样的多类分类问题。
• 准确性：我们将使用准确性作为评估模型性能的指标。

第 7 步：训练模型

现在，我们准备好训练模型了！我们将对其进行 5 epochs 训练（即模型将遍历整个训练数据集 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：评估模型

模型训练完成后，我们可以评估其在测试数据上的性能。

# 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)
])

这将为我们提供模型在测试数据集上的准确性。

---

5. 幕后发生了什么？

简单来说：

1. 数据预处理：我们对数据进行归一化，使训练更加高效。
2. 模型定义：我们使用顺序 API 构建了一个简单的前馈神经网络。
3. 编译：我们选择了正确的损失函数和优化器来指导模型的学习。
4. 训练：模型学会了通过多次遍历数据集将图像映射到数字。
5. 评估：最后，我们检查了模型对未见过的数据的泛化程度。

---

6. 下一步该何去何从？

Keras 简化了构建和训练神经网络的过程，使其成为初学者的理想起点。一旦您熟悉了基本模型，您就可以尝试更复杂的架构，例如卷积神经网络（CNN）和循环神经网络（RNN）。

随意使用 Keras 深入探索深度学习的世界，尝试不同的模型，并突破可能的界限！

---

到目前为止，您对 Keras 有何看法？

以上是Keras：通过详细示例了解基础知识的详细内容。更多信息请关注PHP中文网其他相关文章！