Keras - 深度学习

Keras 提供了一个完整的框架来创建任何类型的深度神经网络。Keras 既创新又易于学习。它支持从简单的神经网络到非常庞大且复杂的神经网络模型。让我们在本节中了解 Keras 框架的架构以及 Keras 如何帮助深度学习。

Keras 的架构

Keras API 可以分为三个主要类别：

• 模型
• 层
• 核心模块

在 Keras 中，每个 ANN 都由Keras 模型表示。反过来，每个 Keras 模型都是Keras 层的组合，并表示 ANN 层，如输入层、隐藏层、输出层、卷积层、池化层等。Keras 模型和层访问Keras 模块以获取激活函数、损失函数、正则化函数等。使用 Keras 模型、Keras 层和 Keras 模块，任何 ANN 算法（CNN、RNN 等）都可以以简单有效的方式表示。

下图描述了模型、层和核心模块之间的关系：

让我们看看 Keras 模型、Keras 层和 Keras 模块的概述。

模型

Keras 模型有两种类型，如下所述：

顺序模型 - 顺序模型基本上是 Keras 层的线性组合。顺序模型简单、最小，并且能够表示几乎所有可用的神经网络。

一个简单的顺序模型如下所示：

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

其中，

• 第 1 行从 Keras 模型导入Sequential模型

• 第 2 行导入Dense层和Activation模块

• 第 4 行使用Sequential API 创建一个新的顺序模型

• 第 5 行添加一个具有relu激活（使用 Activation 模块）函数的密集层（Dense API）。

Sequential模型公开了Model类来创建自定义模型。我们可以使用子类化概念来创建我们自己的复杂模型。

函数式 API - 函数式 API 主要用于创建复杂的模型。

层

Keras 模型中的每个 Keras 层都表示实际提出的神经网络模型中的对应层（输入层、隐藏层和输出层）。Keras 提供了许多预构建的层，以便可以轻松创建任何复杂的神经网络。下面列出了一些重要的 Keras 层：

• 核心层
• 卷积层
• 池化层
• 循环层

使用顺序模型表示神经网络模型的简单 Python 代码如下所示：

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 

model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

其中，

• 第 1 行从 Keras 模型导入Sequential模型

• 第 2 行导入Dense层和Activation模块

• 第 4 行使用Sequential API 创建一个新的顺序模型

• 第 5 行添加一个具有relu激活（使用 Activation 模块）函数的密集层（Dense API）。

• 第 6 行添加一个 dropout 层（Dropout API）来处理过拟合。

• 第 7 行添加另一个具有relu激活（使用 Activation 模块）函数的密集层（Dense API）。

• 第 8 行添加另一个 dropout 层（Dropout API）来处理过拟合。

• 第 9 行添加最终的密集层（Dense API），并使用softmax激活（使用 Activation 模块）函数。

Keras 还提供创建我们自己的自定义层的选项。自定义层可以通过子类化Keras.Layer类来创建，这类似于子类化 Keras 模型。

核心模块

Keras 还提供了许多内置的神经网络相关函数，以便正确创建 Keras 模型和 Keras 层。其中一些功能如下：

• 激活模块 - 激活函数是 ANN 中的一个重要概念，激活模块提供了许多激活函数，如 softmax、relu 等。

• 损失模块 - 损失模块提供损失函数，如 mean_squared_error、mean_absolute_error、poisson 等。

• 优化器模块 - 优化器模块提供优化器函数，如 adam、sgd 等。

• 正则化器 - 正则化器模块提供函数，如 L1 正则化器、L2 正则化器等。

让我们在下一章详细学习 Keras 模块。