当前位置：首页 > article >正文

Python 深度学习框架之Keras库详解

article 2024/12/4 16:02:16

文章目录

Python 深度学习框架之Keras库详解
- 一、引言
- 二、Keras的特点和优势
- - 1、用户友好
  - 2、多网络支持
  - 3、跨平台运行
- 三、Keras的安装和环境配置
- - 1、软硬件环境
  - 2、Python虚拟环境
- 四、使用示例
- - 1、MNIST手写数字识别
- 五、总结

Python 深度学习框架之Keras库详解

在这里插入图片描述

一、引言

Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow、CNTK或Theano作为后端运行。Keras的开发重点是支持快速的实验，能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
在这里插入图片描述

二、Keras的特点和优势

1、用户友好

Keras是为人类而不是为机器设计的API。它把用户体验放在首要和中心位置。Keras遵循减少认知困难的最佳实践：它提供一致且简单的API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。

2、多网络支持

Keras同时支持卷积神经网络(CNN)和循环神经网络(RNN)，以及两者的组合。这意味着你可以在同一个框架下，构建和训练多种深度学习模型。

3、跨平台运行

Keras在CPU和GPU上无缝运行，使得模型训练更加高效。

三、Keras的安装和环境配置

1、软硬件环境

以Windows 11 64位系统为例，搭配Python 3.6和TensorFlow-GPU 2.3.1，硬件上使用NVIDIA GTX1050TI显卡和8GB运行内存。在安装了Microsoft Visual C++ Redistributable 2015-2019后，安装CUDA 10.1的驱动程序和Cudnn 7.6.5。

2、Python虚拟环境

建议使用Anaconda创建Python虚拟环境，在虚拟环境中利用pip安装依赖包。以下是一些常用的依赖包：

absl-py==1.0.0
astunparse==1.6.3
cachetools==4.2.4
certifi==2021.10.8
...

四、使用示例

1、MNIST手写数字识别

以下是一个使用Keras进行MNIST手写数字识别的简单示例：

import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras import layers

num_classes = 10
input_shape = (28, 28, 1)
path = 'mnist.npz'
f = np.load(path, allow_pickle=True)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']

# 数据预处理
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)

# 构建模型
model = keras.Sequential([
    keras.Input(shape=input_shape),
    layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
    layers.MaxPooling2D(pool_size=(2, 2)),
    layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
    layers.MaxPooling2D(pool_size=(2, 2)),
    layers.Flatten(),
    layers.Dropout(0.5),
    layers.Dense(num_classes, activation="softmax"),
])

model.summary()

# 训练模型
model.compile(optimizer=keras.optimizers.Adam(),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)