当前位置：首页 > article >正文

【人工智能】Python常用库-Keras：高阶深度学习 API

article 2025/1/22 10:41:27

Keras：高阶深度学习 API

Keras 是一个高效、用户友好的深度学习框架，作为 TensorFlow 的高级 API，支持快速构建和训练深度学习模型。它以模块化、简单和灵活著称，适合研究和生产环境。

Keras 的发音为 [ˈkerəs]，类似于 “凯拉斯” 或 “克拉斯”。这个名字来源于希腊语 κέρας (kéras)，意思是 “角” 或 “角质物”。这个词与深度学习的灵感来源——大脑的神经网络结构 有一定联系。

Keras 的作者 François Chollet 选择这个名字可能是为了体现一种简洁、优雅和强大的设计理念，正如它的框架目标一样：为开发者提供直观、用户友好且强大的工具。

此外，Keras 是由 François Chollet 于 2015 年开发并开源，最初是一个独立的深度学习框架，后来成为 TensorFlow 的高级 API，进一步扩展了它的影响力和用户群体。

Keras 的主要特点

用户友好：
- 通过简单、直观的接口，减少学习曲线。
- 使用 Python 编写，代码简洁易读。
模块化：
- 支持模型层的任意组合，如输入层、隐藏层、输出层、激活函数等。
支持多种计算后端：
- 作为 TensorFlow 的高级 API，完全整合了 TensorFlow 的功能。
高度灵活：
- 支持自定义模型、层和损失函数，满足高级用户需求。
高效的原型设计：
- 适合快速试验和迭代开发。

Keras 模型 API 类型

Sequential API：
- 适用于简单的线性堆叠模型。
- 每层按顺序叠加。
Functional API：
- 适合构建复杂的非线性拓扑模型，如多输入、多输出模型。
- 更加灵活，允许定义任意的图结构。
Model Subclassing：
- 自定义模型的方式，通过子类化 tf.keras.Model 构建任意复杂模型。

Keras 的核心模块

Layers：
- 基础构件，用于定义模型的每一层（如 Dense、Conv2D、LSTM）。
```
from tensorflow.keras.layers import Dense, Conv2D, Flatten
```

Models：

通过 Sequential 或 Functional 构建模型。

from tensorflow.keras.models import Sequential, Model

Optimizers：
- 提供多种优化器（如 SGD、Adam、RMSprop）。
```
from tensorflow.keras.optimizers import Adam
```

Losses：

支持分类、回归等常用损失函数。

from tensorflow.keras.losses import SparseCategoricalCrossentropy

Metrics：

用于评估模型性能的指标。

from tensorflow.keras.metrics import Accuracy

Callbacks：
- 提供灵活工具（如 EarlyStopping、ModelCheckpoint）监控训练过程。
```
from tensorflow.keras.callbacks import EarlyStopping
```

Keras 的简单示例

以下是一个使用 Keras 构建和训练简单分类模型的示例：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.datasets import mnist

# 加载数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train, X_test = X_train / 255.0, X_test / 255.0

# 构建模型
model = Sequential([
    Flatten(input_shape=(28, 28)),         # 展平输入
    Dense(128, activation='relu'),        # 全连接层
    Dense(10, activation='softmax')       # 输出层
])

# 编译模型
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 训练模型
model.fit(X_train, y_train, epochs=5, batch_size=32)

# 测试模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test Accuracy: {test_acc:.2f}")

运行结果

Epoch 1/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2601 - accuracy: 0.9253
Epoch 2/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.1154 - accuracy: 0.9657
Epoch 3/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0775 - accuracy: 0.9759
Epoch 4/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.0585 - accuracy: 0.9823
Epoch 5/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.0448 - accuracy: 0.9857
313/313 [==============================] - 0s 1ms/step - loss: 0.0784 - accuracy: 0.9761
Test Accuracy: 0.98

Keras 的高级功能

自定义层与模型：

子类化 tf.keras.layers.Layer 或 tf.keras.Model 来构建自定义功能。

import tensorflow as tf

class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, units=32, **kwargs):
        super().__init__(**kwargs)
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units), initializer='random_normal', trainable=True)
        self.b = self.add_weight(shape=(self.units,), initializer='zeros', trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

迁移学习与微调：

利用预训练模型（如 ResNet、BERT）进行迁移学习。

from tensorflow.keras.applications import ResNet50

base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
base_model.trainable = False