Keras框架使用記錄

Keras框架是在TensorFlow之上開發一種框架，其使用相比於TensorFlow更簡便，其中文使用文檔如下：

https://keras-cn.readthedocs.io/en/latest/layers/convolutional_layer/#conv2d

0x01 框架相關庫

import numpy as np
from keras import layers
from keras.layers import Input, Dense, Activation, ZeroPadding2D, BatchNormalization, Flatten, Conv2D
from keras.layers import AveragePooling2D, MaxPooling2D, Dropout, GlobalMaxPooling2D, GlobalAveragePooling2D
from keras.models import Model, load_model
from keras.preprocessing import image
from keras.utils import layer_utils
from keras.utils.data_utils import get_file
from keras.applications.imagenet_utils import preprocess_input
import pydot
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
from keras.utils import plot_model
import kt_utils
import keras.backend as K
K.set_image_data_format('channels_last')
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
import pylab

可以看出Keras提供了許多高度集成的函數模塊，例如卷積層Conv2D等。

0x02 建立模型

Keras建立模型十分簡潔，下面以建立一個笑臉識別的模型爲例

def HappyModel(input_shape):

    X_input = Input(input_shape)

    X = ZeroPadding2D((3, 3))(X_input)

    X = Conv2D(32, (7, 7), strides=(1, 1), name='conv0')(X)
    X = BatchNormalization(axis=3, name='bn0')(X)  # 歸一化
    X = Activation('relu')(X)

    X = MaxPooling2D((2, 2), name='max_pool')(X)

    X = Flatten()(X)
    X = Dense(1, activation='sigmoid', name='fc')(X)

    model = Model(inputs=X_input, outputs=X, name='HappyModel')

    return model

可以看出，Keras放棄了TensorFlow中Z1,A1,的中間表達式，一律採用X的方式進行記錄中間值。

其中Input函數用於生成輸入的圖片的維度的Tensor變量，十分方便。

0x03 訓練、測試模型

def main():
    X_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = kt_utils.load_dataset()

    # Normalize image vectors
    X_train = X_train_orig / 255.
    X_test = X_test_orig / 255.

    # Reshape
    Y_train = Y_train_orig.T
    Y_test = Y_test_orig.T
    
    '''
    img = image.load_img('./111.jpg', target_size=(64, 64))
    imshow(img)
    pylab.show()
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    x = preprocess_input(x)

    model = load_model('./test.h5')
    print(model.predict(x))
    '''

    model = HappyModel(X_train.shape[1:])
    model.compile('Adam', 'binary_crossentropy', metrics=['accuracy'])
    model.fit(X_train, Y_train, batch_size=50, epochs=40)
    preds = model.evaluate(X_test, Y_test, batch_size=32, verbose=1, sample_weight=None)
    model.save('./test.h5', overwrite=True, include_optimizer=True)

    print("誤差值 = " + str(preds[0]))
    print("準確度 = " + str(preds[1]))

其中，model.compile（）用於編譯模型

model.fit（）用於訓練模型

model.evaluate（）用於評價模型，即用測試集測試訓練好的模型

model.save（）用於保存訓練好的模型以及權重，以便下次使用

上面代碼中註釋掉的部分爲讀取訓練好的權重，並使用自己的照片進行測試的測試demo