原文作者：aircraft 原文链接：https://www.cnblogs.com/DOMLX/p/9769301.html Keras是什么？ Keras:基于Theano和TensorFlow的深度学习库 Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras： 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） 支持CNN和RNN，或二者的结合 无缝CPU和GPU切换 如果还没有配置keras可以这个博客配置： 2018最新win10 安装tensorflow1.4（GPU/CPU）+cuda8.0+cudnn8.0-v6 + keras 安装CUDA失败 导入tensorflow失败报错问题解决 kears Dense()函数--全连接层 复制代码 keras.layers.core.Dense ( units, activation=None, 　　　　　　　　　　　　　　　use_bias=True, 　　　　　　　　　　　　　　　kernel_initializer='glorot_uniform', 　　　　　　　　　　　　　　　bias_initializer='zeros', 　　　　　　　　　　　　　　　kernel_regularizer=None, 　　　　　　　　　　　　　　　bias_regularizer=None, 　　　　　　　　　　　　　　　activity_regularizer=None, 　　　　　　　　　　　　　　　kernel_constraint=None, 　　　　　　　　　　　　　　　bias_constraint=None ) 复制代码 参数： units：大于0的整数，代表该层的输出维度。 activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x） use_bias: 布尔值，是否使用偏置项 kernel_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers bias_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers kernel_regularizer：施加在权重上的正则项，为Regularizer对象 bias_regularizer：施加在偏置向量上的正则项，为Regularizer对象 activity_regularizer：施加在输出上的正则项，为Regularizer对象 kernel_constraints：施加在权重上的约束项，为Constraints对象 bias_constraints：施加在偏置上的约束项，为Constraints对象 input_dim:可以指定输入数据的维度 kears Conv2D（）函数--卷积层 若不懂卷积概念可看：深度学习（二）神经网络中的卷积和反卷积原理 keras.layers.Conv2D(filters, kernel_size, 　　　　　　　　　　strides=(1, 1), 　　　　　　　　　　padding='valid', 　　　　　　　　　　data_format=None, 　　　　　　　　　　dilation_rate=(1, 1), 　　　　　　　　　　activation=None, use_bias=True, 　　　　　　　　　　kernel_initializer='glorot_uniform', 　　　　　　　　　　bias_initializer='zeros', 　　　　　　　　　　kernel_regularizer=None, 　　　　　　　　　　bias_regularizer=None, 　　　　　　　　　　activity_regularizer=None, 　　　　　　　　　　kernel_constraint=None, 　　　　　　　　　　bias_constraint=None) 2D 卷积层 (例如对图像的空间卷积)。 该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。 当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。 参数 filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。 kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的宽度和高度。 可以是一个整数，为所有空间维度指定相同的值。 strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿宽度和高度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。 padding: "valid" 或 "same" (大小写敏感)。 data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。 dilation_rate: 一个整数或 2 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。 activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。 use_bias: 布尔值，该层是否使用偏置向量。 kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。 bias_initializer: 偏置向量的初始化器 (详见 initializers)。 kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。 bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。 activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。 kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。 bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。 输入尺寸 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (samples, channels, rows, cols)。 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (samples, rows, cols, channels)。 输出尺寸 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (samples, filters, new_rows, new_cols)。 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (samples, new_rows, new_cols, filters)。 别看上面的参数一堆吓死人，其实我们在实际运用的时候用的就只有几个而已： 复制代码 inputs = Input(shape=(n_ch,patch_height,patch_width)) conv1 = Conv2D(32, (3, 3), activation='relu', padding='same',data_format='channels_first')(inputs)　　#这个小括号填inputs是代表这层模型连接在inputs之后 复制代码 当然还可以用kears内置的序贯模型add添加构成模型图： 复制代码 model = Sequential() # Dense(64) is a fully-connected layer with 64 hidden units. # in the first layer, you must specify the expected input data shape: # here, 20-dimensional vectors. model.add(Dense(64, activation='relu', input_dim=20)) 复制代码 kears MaxPooling2D()函数--池化层 若不懂池化概念可看：深度学习（一）神经网络中的池化与反池化原理 复制代码 keras.layers.pooling.MaxPooling2D( pool_size=(2, 2), strides=None, padding='valid', data_format=None ) 复制代码 参数： pool_size：整数或长为2的整数tuple，代表在两个方向（竖直，水平）上的下采样因子，如取（2，2）将使图片在两个维度上均变为原长的一半。为整数意为各个维度值相同且为该数字。 strides：整数或长为2的整数tuple，或者None，步长值。 padding：‘valid’或者‘same’ data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。 还是一样的好多东西默认就行了，下面就是一个2*2的池化层： 复制代码 pool1 = MaxPooling2D((2, 2))(conv1) 复制代码 kears model.compile()函数--配置模型 复制代码 model.compile(optimizer, loss, metrics=None, sample_weight_mode=None) 复制代码 编译用来配置模型的学习过程，其参数有 optimizer：字符串（预定义优化器名）或优化器对象，参考优化器 loss：字符串（预定义损失函数名）或目标函数，参考损失函数 metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=['accuracy'] sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal”。默认为“None”，代表按样本赋权（1D权）。在下面fit函数的解释中有相关的参考内容。 kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano作为后端，kwargs的值将会传递给 K.function 示例代码： 复制代码 model.compile(optimizer='sgd', loss='categorical_crossentropy',metrics=['accuracy']) 复制代码 kears model.fit()函数--模型运行函数 复制代码 fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, 　　validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0 ) 复制代码 x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array y：标签，numpy array batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。 epochs：整数，训练的轮数，每个epoch会把训练集轮一遍。 verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录 callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数 validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。 validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。 shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。 class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练） sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。 initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。 参数虽多，但是很多都可以省略看代码示例： 复制代码 model.fit(patches_imgs_train, patches_masks_train, epochs=N_epochs, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.1, callbacks=[checkpointer]) 复制代码 kears predict()函数--测试数据 复制代码 predictions = model.predict(patches_imgs_test, batch_size=32, verbose=2) print("predicted images size :") print(predictions.shape) 复制代码 kears load_weights()函数--直接导入训练好的模型 复制代码 # 加载训练好的模型 model.load_weights('./weights.h5') 复制代码 kears Dropout()函数--抛弃一些参数防止过拟合 Dropout（x） X可以取0--1之间，代表百分比抛弃数据 Dropout（0.5）随机抛弃百分之五十的数据 kears UpSampling2D()函数--上采样函数 UpSampling2D(size=(2, 2)) size(x,y) x代表行放大倍数 这里取2的话代表原来的一行变成了两行 （就是一行那么粗，变成了两行那么粗） y代表列放大倍数 这里取2的话代表原来的一列变成了两行 （就是一列那么粗，变成了两列那么粗） size(2,2)其实就等于将原图放大四倍（水平两倍，垂直两倍） 32*32 变成 62*64的图像 kears Model()函数--代表模型图 复制代码 inputs = Input((n_ch, patch_height, patch_width)) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(inputs) conv1 = Dropout(0.2)(conv1) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv1) up1 = UpSampling2D(size=(2, 2))(conv1) # conv2 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(up1) conv2 = Dropout(0.2)(conv2) conv2 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(conv2) pool1 = MaxPooling2D(pool_size=(2, 2))(conv2) # conv3 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(pool1) conv3 = Dropout(0.2)(conv3) conv3 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv3) pool2 = MaxPooling2D(pool_size=(2, 2))(conv3) # conv4 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(pool2) conv4 = Dropout(0.2)(conv4) conv4 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(conv4) pool3 = MaxPooling2D(pool_size=(2, 2))(conv4) # conv5 = Convolution2D(128, 3, 3, activation='relu', border_mode='same')(pool3) conv5 = Dropout(0.2)(conv5) conv5 = Convolution2D(128, 3, 3, activation='relu', border_mode='same')(conv5) # up2 = merge([UpSampling2D(size=(2, 2))(conv5), conv4], mode='concat', concat_axis=1) conv6 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(up2) conv6 = Dropout(0.2)(conv6) conv6 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(conv6) # up3 = merge([UpSampling2D(size=(2, 2))(conv6), conv3], mode='concat', concat_axis=1) conv7 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(up3) conv7 = Dropout(0.2)(conv7) conv7 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv7) # up4 = merge([UpSampling2D(size=(2, 2))(conv7), conv2], mode='concat', concat_axis=1) conv8 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(up4) conv8 = Dropout(0.2)(conv8) conv8 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(conv8) # pool4 = MaxPooling2D(pool_size=(2, 2))(conv8) conv9 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(pool4) conv9 = Dropout(0.2)(conv9) conv9 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv9) # conv10 = Convolution2D(2, 1, 1, activation='relu', border_mode='same')(conv9) conv10 = core.Reshape((2,patch_height*patch_width))(conv10) conv10 = core.Permute((2,1))(conv10) ############ conv10 = core.Activation('softmax')(conv10) model = Model(input=inputs, output=conv10) 复制代码 将模型的输入和输出给model函数就会自己组建模型运行图结构 kears Embedding()函数--嵌入层 复制代码 keras.layers.embeddings.Embedding( input_dim, output_dim, embeddings_initializer='uniform', 　　　　　　　　　　　　　　　　　　　　embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None) 复制代码 作用：嵌入层将正整数（下标）转换为具有固定大小的向量，如[[4],[20]]->[[0.25,0.1],[0.6,-0.2]]。Embedding层只能作为模型的第一层。 input_dim：大或等于0的整数，字典长度，即输入数据最大下标+1，就是矩阵中的最大值 output_dim：大于0的整数，代表全连接嵌入的维度 embeddings_initializer: 嵌入矩阵的初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers embeddings_regularizer: 嵌入矩阵的正则项，为Regularizer对象 embeddings_constraint: 嵌入矩阵的约束项，为Constraints对象 mask_zero：布尔值，确定是否将输入中的‘0’看作是应该被忽略的‘填充’（padding）值，该参数在使用递归层处理变长输入时有用。设置为True的话，模型中后续的层必须都支持masking，否则会抛出异常。如果该值为True，则下标0在字典中不可用，input_dim应设置为|vocabulary| + 2。 input_length：当输入序列的长度固定时，该值为其长度。如果要在该层后接Flatten层，然后接Dense层，则必须指定该参数，否则Dense层的输出维度无法自动推断。 关于embeding作用的详细介绍：http://spaces.ac.cn/archives/4122/ kears normalization()函数--标准化 复制代码 keras.layers.normalization.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer='zeros', gamma_initializer='ones', moving_mean_initializer='zeros', moving_variance_initializer='ones', beta_regularizer=None, gamma_regularizer=None, beta_constraint=None, gamma_constraint=None) 复制代码 该层在每个batch上将前一层的激活值重新规范化，即使得其输出数据的均值接近0，其标准差接近1 参数 axis: 整数，指定要规范化的轴，通常为特征轴。例如在进行data_format="channels_first的2D卷积后，一般会设axis=1。 momentum: 动态均值的动量 epsilon：大于0的小浮点数，用于防止除0错误 center: 若设为True，将会将beta作为偏置加上去，否则忽略参数beta scale: 若设为True，则会乘以gamma，否则不使用gamma。当下一层是线性的时，可以设False，因为scaling的操作将被下一层执行。 beta_initializer：beta权重的初始方法 gamma_initializer: gamma的初始化方法 moving_mean_initializer: 动态均值的初始化方法 moving_variance_initializer: 动态方差的初始化方法 beta_regularizer: 可选的beta正则 gamma_regularizer: 可选的gamma正则 beta_constraint: 可选的beta约束 gamma_constraint: 可选的gamma约束 输入shape 任意，当使用本层为模型首层时，指定input_shape参数时有意义。 输出shape 与输入shape相同 kears plot()函数--画出模型图 复制代码 plot(model, to_file='./'+name_experiment+'/'+name_experiment + '_model.png') 复制代码 kears中可以将自己建立的模型图画出来，传进去一个模型，指定画出文件的路径和名字即可 kears ModelCheckpoint()函数--保存模型参数 复制代码 checkpointer = ModelCheckpoint(filepath='./'+name_experiment+'/'+name_experiment +'_best_weights.h5', verbose=1, monitor='val_loss', mode='auto', save_best_only=True) model.fit(patches_imgs_train, patches_masks_train, epochs=N_epochs, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.1, callbacks=[checkpointer]) 复制代码 ModelCheckpoint函数可以指定一定训练次数后保存中间训练的最佳参数 ModelCheckpoint函数作为model.fit（）函数中回调函数使用 kears merge()函数--融合层 Merge层提供了一系列用于融合两个层或两个张量的层对象和方法。以大写首字母开头的是Layer类，以小写字母开头的是张量的函数。小写字母开头的张量函数在内部实际上是调用了大写字母开头的层。 Add keras.layers.Add() 添加输入列表的图层。 该层接收一个相同shape列表张量，并返回它们的和，shape不变。 Example import keras input1 = keras.layers.Input(shape=(16,)) x1 = keras.layers.Dense(8, activation='relu')(input1) input2 = keras.layers.Input(shape=(32,)) x2 = keras.layers.Dense(8, activation='relu')(input2) added = keras.layers.Add()([x1, x2]) # equivalent to added = keras.layers.add([x1, x2]) out = keras.layers.Dense(4)(added) model = keras.models.Model(inputs=[input1, input2], outputs=o