如何引用keras？
如果keras對您的研究有幫助，請在出版物中引用。BibTeX例子如下：
@misc{chollet2015keras,
title={Keras},
author={Chollet, Fran\c{c}ois and others},
year={2015},
publisher={GitHub},
howpublished={\url{https://github.com/fchollet/keras}},
}
如何在GPU上運行keras？
如果運行在TensorFlow後端上，代碼會自動運行在檢測到的GPU上。
如果運行在Theano後端上，可使用方法有：
1、使用Theano標誌
THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py
'gpu'根據你的設備更改識別（例如gpu0, gpu1等等）
2、設置 .theanorc
3、在代碼最前面手動設置theano.config.device，theano.config.floatX
-
import theano -
theano.config.device = 'gpu' -
theano.config.floatX = 'float32'
如何保存Keras模型？
不推薦用pickle或者cPickle來保存Keras模型。
可以使用model.save(filepath)將Keras模型保存到HDF5文件，包含：
-模型結構，可重建模型
-模型權重
-訓練設置（損失、優化器）
-優化器狀態，可恢復訓練
然後使用keras.models.load_model(filepath)重新實例化模型。load_model會使用保存的訓練設置重新編譯模型。
例如：
-
from keras.models import load_model -
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' -
del model # deletes the existing model -
# returns a compiled model -
# identical to the previous one -
model = load_model('my_model.h5')
如果你只需要保存模型的結構，不需要權重和訓練設置，則可以：
-
# save as JSON -
json_string = model.to_json() -
# save as YAML -
yaml_string = model.to_yaml()
生成的JSON/YAML文件具有可讀性，如需要可以手工修改。
也可以從這個數據中重新構建新模型：
-
# model reconstruction from JSON: -
from keras.models import model_from_json -
model = model_from_json(json_string) -
# model reconstruction from YAML -
from keras.models import model_from_yaml -
model = model_from_yaml(yaml_string)
如果只需要保存模型的權重，可以在HDF5文件中使用以下代碼。注意你需要已安裝HDF5和h5py。
model.save_weights('my_model_weights.h5')
假定已實例化模型，然後可以將保存的權重加載到具有相同結構的模型中去
model.load_weights('my_model_weights.h5')
如果需要將權重加載到不同結構（有一些相同層），例如爲細調或者轉化學習，可以用層名稱載入權重
model.load_weights('my_model_weights.h5', by_name=True)
舉例如下：
-
""" -
Assume original model looks like this: -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) -
model.add(Dense(3, name="dense_2")) -
... -
model.save_weights(fname) -
""" -
# new model -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded -
model.add(Dense(10, name="new_dense")) # will not be loaded -
# load weights from first model; will only affect the first layer, dense_1. -
model.load_weights(fname, by_name=True)
如何獲得中間層的輸出？
一個簡單的方法是構建一個新模型輸出你感興趣的層。
-
from keras.models import Model -
model = ... # create the original model -
layer_name = 'my_layer' -
intermediate_layer_model = Model(inputs=model.input, -
outputs=model.get_layer(layer_name).output) -
intermediate_output = intermediate_layer_model.predict(data)
或者構建一個Keras函數返回給定輸入的特定層的輸出。
-
from keras import backend as K -
# with a Sequential model -
get_3rd_layer_output = K.function([model.layers[0].input], -
[model.layers[3].output]) -
layer_output = get_3rd_layer_output([X])[0]
類似的，可以直接構建Theano和TensorFlow函數。
注意，如果模型在訓練和測試階段表現不同（例如使用Dropout，BatchNormalization等），你需要將訓練階段標誌傳入函數。
-
get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()], -
[model.layers[3].output]) -
# output in test mode = 0 -
layer_output = get_3rd_layer_output([X, 0])[0] -
# output in train mode = 1 -
layer_output = get_3rd_layer_output([X, 1])[0]
數據集大於內存怎麼辦？
可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)進行批次訓練。
或者可以寫一個生成器生成訓練數據的批次然後使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)
應用可參考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py
如果驗證損失不再下降如果打斷訓練？
可以使用EarlyStopping回調
-
from keras.callbacks import EarlyStopping -
early_stopping = EarlyStopping(monitor='val_loss', patience=2) -
model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])
驗證分割如何計算？
如果你設置model.fit申明validation_split爲0.1，那麼驗證集使用最後10%的數據（如果在提取驗證數據前沒有將數據打亂）。同一驗證集用於所有階段（在同一fit調用）。
訓練時打亂數據嗎？
是的，如果model.fit中的shuffle設爲True（默認值），訓練數據在每個階段會隨機打亂。
如何在每個結算記錄訓練/驗證損失/準確度？
model.fit方法返回一個History回調，有一個history屬性包含了連續損失及其他度量的列表。
-
hist = model.fit(X, y, validation_split=0.2) -
print(hist.history)
如果凍結Keras的層？
凍結意味着把它排除在訓練外，例如權重不會更新。這在細調模型中有用，或者對文本輸入使用固定嵌入。
可以傳遞trainable申明（boolean）到層構建器設定層爲non-trainable。
frozen_layer = Dense(32, trainable=False)
額外的，可以在實例化後設置一個層的trainable屬性爲True或者False。需要調用compile()才使其生效。
-
x = Input(shape=(32,)) -
layer = Dense(32) -
layer.trainable = False -
y = layer(x) -
frozen_model = Model(x, y) -
# in the model below, the weights of `layer` will not be updated during training -
frozen_model.compile(optimizer='rmsprop', loss='mse') -
layer.trainable = True -
trainable_model = Model(x, y) -
# with this model the weights of the layer will be updated during training -
# (which will also affect the above model since it uses the same layer instance) -
trainable_model.compile(optimizer='rmsprop', loss='mse') -
frozen_model.fit(data, labels) # this does NOT update the weights of `layer` -
trainable_model.fit(data, labels) # this updates the weights of `layer`
如何使用狀態RNNs?
-
X # this is our input data, of shape (32, 21, 16) -
# we will feed it to our model in sequences of length 10 -
model = Sequential() -
model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True)) -
model.add(Dense(16, activation='softmax')) -
model.compile(optimizer='rmsprop', loss='categorical_crossentropy') -
# we train the network to predict the 11th timestep given the first 10: -
model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16))) -
# the state of the network has changed. We can feed the follow-up sequences: -
model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16))) -
# let's reset the states of the LSTM layer: -
model.reset_states() -
# another way to do it in this case: -
model.layers[0].reset_states()
如何在Keras中使用預訓練模型？
我們提供以下圖像分類模型的代碼和預訓練權重：
- Xception
- VGG16
- VGG19
- ResNet50
- Inception v3
可以使用keras.application模塊導入。
-
from keras.applications.xception import Xception -
from keras.applications.vgg16 import VGG16 -
from keras.applications.vgg19 import VGG19 -
from keras.applications.resnet50 import ResNet50 -
from keras.applications.inception_v3 import InceptionV3 -
model = VGG16(weights='imagenet', include_top=True)
如何使用HDF5輸入？
-
import h5py -
with h5py.File('input/file.hdf5', 'r') as f: -
X_data = f['X_data'] -
model.predict(X_data)
也可以使用keras.utils.io_utils中的HDF5Matrix類。
Keras設置文件儲存在哪裏？
默認的文件夾在$HOME/.keras/
如果因爲沒有權限創建上述文件夾，則可能在/tmp/.keras/
如何引用keras？
如果keras對您的研究有幫助，請在出版物中引用。BibTeX例子如下：
@misc{chollet2015keras,
title={Keras},
author={Chollet, Fran\c{c}ois and others},
year={2015},
publisher={GitHub},
howpublished={\url{https://github.com/fchollet/keras}},
}
如何在GPU上運行keras？
如果運行在TensorFlow後端上，代碼會自動運行在檢測到的GPU上。
如果運行在Theano後端上，可使用方法有：
1、使用Theano標誌
THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py
'gpu'根據你的設備更改識別（例如gpu0, gpu1等等）
2、設置 .theanorc
3、在代碼最前面手動設置theano.config.device，theano.config.floatX
-
import theano -
theano.config.device = 'gpu' -
theano.config.floatX = 'float32'
如何保存Keras模型？
不推薦用pickle或者cPickle來保存Keras模型。
可以使用model.save(filepath)將Keras模型保存到HDF5文件，包含：
-模型結構，可重建模型
-模型權重
-訓練設置（損失、優化器）
-優化器狀態，可恢復訓練
然後使用keras.models.load_model(filepath)重新實例化模型。load_model會使用保存的訓練設置重新編譯模型。
例如：
-
from keras.models import load_model -
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' -
del model # deletes the existing model -
# returns a compiled model -
# identical to the previous one -
model = load_model('my_model.h5')
如果你只需要保存模型的結構，不需要權重和訓練設置，則可以：
-
# save as JSON -
json_string = model.to_json() -
# save as YAML -
yaml_string = model.to_yaml()
生成的JSON/YAML文件具有可讀性，如需要可以手工修改。
也可以從這個數據中重新構建新模型：
-
# model reconstruction from JSON: -
from keras.models import model_from_json -
model = model_from_json(json_string) -
# model reconstruction from YAML -
from keras.models import model_from_yaml -
model = model_from_yaml(yaml_string)
如果只需要保存模型的權重，可以在HDF5文件中使用以下代碼。注意你需要已安裝HDF5和h5py。
model.save_weights('my_model_weights.h5')
假定已實例化模型，然後可以將保存的權重加載到具有相同結構的模型中去
model.load_weights('my_model_weights.h5')
如果需要將權重加載到不同結構（有一些相同層），例如爲細調或者轉化學習，可以用層名稱載入權重
model.load_weights('my_model_weights.h5', by_name=True)
舉例如下：
-
""" -
Assume original model looks like this: -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) -
model.add(Dense(3, name="dense_2")) -
... -
model.save_weights(fname) -
""" -
# new model -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded -
model.add(Dense(10, name="new_dense")) # will not be loaded -
# load weights from first model; will only affect the first layer, dense_1. -
model.load_weights(fname, by_name=True)
如何獲得中間層的輸出？
一個簡單的方法是構建一個新模型輸出你感興趣的層。
-
from keras.models import Model -
model = ... # create the original model -
layer_name = 'my_layer' -
intermediate_layer_model = Model(inputs=model.input, -
outputs=model.get_layer(layer_name).output) -
intermediate_output = intermediate_layer_model.predict(data)
或者構建一個Keras函數返回給定輸入的特定層的輸出。
-
from keras import backend as K -
# with a Sequential model -
get_3rd_layer_output = K.function([model.layers[0].input], -
[model.layers[3].output]) -
layer_output = get_3rd_layer_output([X])[0]
類似的，可以直接構建Theano和TensorFlow函數。
注意，如果模型在訓練和測試階段表現不同（例如使用Dropout，BatchNormalization等），你需要將訓練階段標誌傳入函數。
-
get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()], -
[model.layers[3].output]) -
# output in test mode = 0 -
layer_output = get_3rd_layer_output([X, 0])[0] -
# output in train mode = 1 -
layer_output = get_3rd_layer_output([X, 1])[0]
數據集大於內存怎麼辦？
可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)進行批次訓練。
或者可以寫一個生成器生成訓練數據的批次然後使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)
應用可參考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py
如果驗證損失不再下降如果打斷訓練？
可以使用EarlyStopping回調
-
from keras.callbacks import EarlyStopping -
early_stopping = EarlyStopping(monitor='val_loss', patience=2) -
model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])
驗證分割如何計算？
如果你設置model.fit申明validation_split爲0.1，那麼驗證集使用最後10%的數據（如果在提取驗證數據前沒有將數據打亂）。同一驗證集用於所有階段（在同一fit調用）。
訓練時打亂數據嗎？
是的，如果model.fit中的shuffle設爲True（默認值），訓練數據在每個階段會隨機打亂。
如何在每個結算記錄訓練/驗證損失/準確度？
model.fit方法返回一個History回調，有一個history屬性包含了連續損失及其他度量的列表。
-
hist = model.fit(X, y, validation_split=0.2) -
print(hist.history)
如果凍結Keras的層？
凍結意味着把它排除在訓練外，例如權重不會更新。這在細調模型中有用，或者對文本輸入使用固定嵌入。
可以傳遞trainable申明（boolean）到層構建器設定層爲non-trainable。
frozen_layer = Dense(32, trainable=False)
額外的，可以在實例化後設置一個層的trainable屬性爲True或者False。需要調用compile()才使其生效。
-
x = Input(shape=(32,)) -
layer = Dense(32) -
layer.trainable = False -
y = layer(x) -
frozen_model = Model(x, y) -
# in the model below, the weights of `layer` will not be updated during training -
frozen_model.compile(optimizer='rmsprop', loss='mse') -
layer.trainable = True -
trainable_model = Model(x, y) -
# with this model the weights of the layer will be updated during training -
# (which will also affect the above model since it uses the same layer instance) -
trainable_model.compile(optimizer='rmsprop', loss='mse') -
frozen_model.fit(data, labels) # this does NOT update the weights of `layer` -
trainable_model.fit(data, labels) # this updates the weights of `layer`
如何使用狀態RNNs?
-
X # this is our input data, of shape (32, 21, 16) -
# we will feed it to our model in sequences of length 10 -
model = Sequential() -
model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True)) -
model.add(Dense(16, activation='softmax')) -
model.compile(optimizer='rmsprop', loss='categorical_crossentropy') -
# we train the network to predict the 11th timestep given the first 10: -
model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16))) -
# the state of the network has changed. We can feed the follow-up sequences: -
model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16))) -
# let's reset the states of the LSTM layer: -
model.reset_states() -
# another way to do it in this case: -
model.layers[0].reset_states()
如何在Keras中使用預訓練模型？
我們提供以下圖像分類模型的代碼和預訓練權重：
- Xception
- VGG16
- VGG19
- ResNet50
- Inception v3
可以使用keras.application模塊導入。
-
from keras.applications.xception import Xception -
from keras.applications.vgg16 import VGG16 -
from keras.applications.vgg19 import VGG19 -
from keras.applications.resnet50 import ResNet50 -
from keras.applications.inception_v3 import InceptionV3 -
model = VGG16(weights='imagenet', include_top=True)
如何使用HDF5輸入？
-
import h5py -
with h5py.File('input/file.hdf5', 'r') as f: -
X_data = f['X_data'] -
model.predict(X_data)
也可以使用keras.utils.io_utils中的HDF5Matrix類。
Keras設置文件儲存在哪裏？
默認的文件夾在$HOME/.keras/
如果因爲沒有權限創建上述文件夾，則可能在/tmp/.keras/
如何引用keras？
如果keras對您的研究有幫助，請在出版物中引用。BibTeX例子如下：
@misc{chollet2015keras,
title={Keras},
author={Chollet, Fran\c{c}ois and others},
year={2015},
publisher={GitHub},
howpublished={\url{https://github.com/fchollet/keras}},
}
如何在GPU上運行keras？
如果運行在TensorFlow後端上，代碼會自動運行在檢測到的GPU上。
如果運行在Theano後端上，可使用方法有：
1、使用Theano標誌
THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py
'gpu'根據你的設備更改識別（例如gpu0, gpu1等等）
2、設置 .theanorc
3、在代碼最前面手動設置theano.config.device，theano.config.floatX
-
import theano -
theano.config.device = 'gpu' -
theano.config.floatX = 'float32'
如何保存Keras模型？
不推薦用pickle或者cPickle來保存Keras模型。
可以使用model.save(filepath)將Keras模型保存到HDF5文件，包含：
-模型結構，可重建模型
-模型權重
-訓練設置（損失、優化器）
-優化器狀態，可恢復訓練
然後使用keras.models.load_model(filepath)重新實例化模型。load_model會使用保存的訓練設置重新編譯模型。
例如：
-
from keras.models import load_model -
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' -
del model # deletes the existing model -
# returns a compiled model -
# identical to the previous one -
model = load_model('my_model.h5')
如果你只需要保存模型的結構，不需要權重和訓練設置，則可以：
-
# save as JSON -
json_string = model.to_json() -
# save as YAML -
yaml_string = model.to_yaml()
生成的JSON/YAML文件具有可讀性，如需要可以手工修改。
也可以從這個數據中重新構建新模型：
-
# model reconstruction from JSON: -
from keras.models import model_from_json -
model = model_from_json(json_string) -
# model reconstruction from YAML -
from keras.models import model_from_yaml -
model = model_from_yaml(yaml_string)
如果只需要保存模型的權重，可以在HDF5文件中使用以下代碼。注意你需要已安裝HDF5和h5py。
model.save_weights('my_model_weights.h5')
假定已實例化模型，然後可以將保存的權重加載到具有相同結構的模型中去
model.load_weights('my_model_weights.h5')
如果需要將權重加載到不同結構（有一些相同層），例如爲細調或者轉化學習，可以用層名稱載入權重
model.load_weights('my_model_weights.h5', by_name=True)
舉例如下：
-
""" -
Assume original model looks like this: -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) -
model.add(Dense(3, name="dense_2")) -
... -
model.save_weights(fname) -
""" -
# new model -
model = Sequential() -
model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded -
model.add(Dense(10, name="new_dense")) # will not be loaded -
# load weights from first model; will only affect the first layer, dense_1. -
model.load_weights(fname, by_name=True)
如何獲得中間層的輸出？
一個簡單的方法是構建一個新模型輸出你感興趣的層。
-
from keras.models import Model -
model = ... # create the original model -
layer_name = 'my_layer' -
intermediate_layer_model = Model(inputs=model.input, -
outputs=model.get_layer(layer_name).output) -
intermediate_output = intermediate_layer_model.predict(data)
或者構建一個Keras函數返回給定輸入的特定層的輸出。
-
from keras import backend as K -
# with a Sequential model -
get_3rd_layer_output = K.function([model.layers[0].input], -
[model.layers[3].output]) -
layer_output = get_3rd_layer_output([X])[0]
類似的，可以直接構建Theano和TensorFlow函數。
注意，如果模型在訓練和測試階段表現不同（例如使用Dropout，BatchNormalization等），你需要將訓練階段標誌傳入函數。
-
get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()], -
[model.layers[3].output]) -
# output in test mode = 0 -
layer_output = get_3rd_layer_output([X, 0])[0] -
# output in train mode = 1 -
layer_output = get_3rd_layer_output([X, 1])[0]
數據集大於內存怎麼辦？
可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)進行批次訓練。
或者可以寫一個生成器生成訓練數據的批次然後使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)
應用可參考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py
如果驗證損失不再下降如果打斷訓練？
可以使用EarlyStopping回調
-
from keras.callbacks import EarlyStopping -
early_stopping = EarlyStopping(monitor='val_loss', patience=2) -
model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])
驗證分割如何計算？
如果你設置model.fit申明validation_split爲0.1，那麼驗證集使用最後10%的數據（如果在提取驗證數據前沒有將數據打亂）。同一驗證集用於所有階段（在同一fit調用）。
訓練時打亂數據嗎？
是的，如果model.fit中的shuffle設爲True（默認值），訓練數據在每個階段會隨機打亂。
如何在每個結算記錄訓練/驗證損失/準確度？
model.fit方法返回一個History回調，有一個history屬性包含了連續損失及其他度量的列表。
-
hist = model.fit(X, y, validation_split=0.2) -
print(hist.history)
如果凍結Keras的層？
凍結意味着把它排除在訓練外，例如權重不會更新。這在細調模型中有用，或者對文本輸入使用固定嵌入。
可以傳遞trainable申明（boolean）到層構建器設定層爲non-trainable。
frozen_layer = Dense(32, trainable=False)
額外的，可以在實例化後設置一個層的trainable屬性爲True或者False。需要調用compile()才使其生效。
-
x = Input(shape=(32,)) -
layer = Dense(32) -
layer.trainable = False -
y = layer(x) -
frozen_model = Model(x, y) -
# in the model below, the weights of `layer` will not be updated during training -
frozen_model.compile(optimizer='rmsprop', loss='mse') -
layer.trainable = True -
trainable_model = Model(x, y) -
# with this model the weights of the layer will be updated during training -
# (which will also affect the above model since it uses the same layer instance) -
trainable_model.compile(optimizer='rmsprop', loss='mse') -
frozen_model.fit(data, labels) # this does NOT update the weights of `layer` -
trainable_model.fit(data, labels) # this updates the weights of `layer`
如何使用狀態RNNs?
-
X # this is our input data, of shape (32, 21, 16) -
# we will feed it to our model in sequences of length 10 -
model = Sequential() -
model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True)) -
model.add(Dense(16, activation='softmax')) -
model.compile(optimizer='rmsprop', loss='categorical_crossentropy') -
# we train the network to predict the 11th timestep given the first 10: -
model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16))) -
# the state of the network has changed. We can feed the follow-up sequences: -
model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16))) -
# let's reset the states of the LSTM layer: -
model.reset_states() -
# another way to do it in this case: -
model.layers[0].reset_states()
如何在Keras中使用預訓練模型？
我們提供以下圖像分類模型的代碼和預訓練權重：
- Xception
- VGG16
- VGG19
- ResNet50
- Inception v3
可以使用keras.application模塊導入。
-
from keras.applications.xception import Xception -
from keras.applications.vgg16 import VGG16 -
from keras.applications.vgg19 import VGG19 -
from keras.applications.resnet50 import ResNet50 -
from keras.applications.inception_v3 import InceptionV3 -
model = VGG16(weights='imagenet', include_top=True)
如何使用HDF5輸入？
-
import h5py -
with h5py.File('input/file.hdf5', 'r') as f: -
X_data = f['X_data'] -
model.predict(X_data)
也可以使用keras.utils.io_utils中的HDF5Matrix類。
Keras設置文件儲存在哪裏？
默認的文件夾在$HOME/.keras/
如果因爲沒有權限創建上述文件夾，則可能在/tmp/.keras/