Keras框架速查手册（Python For Data Science Cheat Sheet Keras）

Keras框架速查表

1 Keras
- 1.1 一个基本示例
2 数据
- 2.1 Keras数据设置
3 模型结构
- 3.1 Sequential模型
- 3.2 多层感知器（MLP）
- - 3.2.1 二元分类
  - 3.2.2 多类别分类
  - 3.2.3 回归
- 3.3 卷积神经网络（CNN）
- 3.4 循环神经网络（RNN）
4 预处理
- 4.1 序列填充
- 4.2 创建虚拟变量
- 4.3 训练集、测试集分离
- 4.4 标准化/归一化
5 模型细节提取
- 5.1 模型输出形状
- 5.2 模型总结
- 5.3 get模型参数
- 5.4 get神经网络weights
6 编译模型
- 6.1 多层感知器
- - 6.1.1 二分类问题
  - 6.1.2 多分类问题
  - 6.1.3 回归问题
- 6.2 循环神经网络
7 训练模型
8 评价模型
9 预测结果
10 保存/载入模型
11 模型参数调节
- 11.1 优化参数
- 11.2 模型提前终止

1 Keras

1.1 一个基本示例

代码语言：javascript复制

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 1.加载数据集
data = np.random.random((1000, 100))    # 创建样本 
labels = np.random.randint(2, size=(1000, 1))     # 创建只有0，1两类的标签

# 2.构建模型
model = Sequential()   # 构建序列结构
model.add(Dense(32, activation='relu', input_dim=100))  # 往序列结构中添加拥有32个神经元的全连接层，输入是100维向量（注意默认忽略批量维度）
model.add(Dense(1, activation='sigmoid'))    # 往序列结构中添加拥有1个神经元的全连接层

# 3.编译模型
model.compile(optimizer='rmsprop',
             loss='binary_crossentropy',
             metrics=['accuracy'])

# 4.训练模型
model.fit(data, labels, epochs=10, batch_size=32)

# 5.预测模型
predictions = model.predict(data)

2 数据

2.1 Keras数据设置

代码语言：javascript复制

from keras.datasets import boston_housing, mnist, cifar10, imdb

(x_train1, y_train1), (x_test1, y_test1) = mnist.load_data()
(x_train2, y_train2), (x_test2, y_test2) = boston_housing.load_data()
(x_train3, y_train3), (x_test3, y_test3) = cifar10.load_data()
(x_train4, y_train4), (x_test4, y_test4) = imdb.load_data(num_words=20000)

num_classes = 10

3 模型结构

3.1 Sequential模型

代码语言：javascript复制

from keras.models import Sequential

model = Sequential()
model2 = Sequential()
model3 = Sequential()

3.2 多层感知器（MLP）

3.2.1 二元分类

代码语言：javascript复制

from keras.layers import Dense

model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid'))

3.2.2 多类别分类

代码语言：javascript复制

from keras.layers import Dense, Dropout

model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

3.2.3 回归

代码语言：javascript复制

from keras.layers import Dense

model.add(Dense(64, activation='relu', input_dim=train_data.shape[1]))
model.add(Dense(1))

3.3 卷积神经网络（CNN）

代码语言：javascript复制

from keras.layers import Activation,Conv2D,MaxPooling2D,Flatten

model.add(Conv2D(32, (3,3), padding='same', input_shape=x_train.shape[1:]))
model.add(Activation('relu'))
model.add(Conv2D(32, (3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Conv2D(64, (3,3), padding='same'))
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))

3.4 循环神经网络（RNN）

代码语言：javascript复制

from keras.layers import Embedding,LSTM

model.add(Embedding(20000,128))
model.add(LSTM(128,dropout=0.2,recurrent_dropout=0.2))
model.add(Dense(1,activation='sigmoid'))

4 预处理

4.1 序列填充

将数据填充至指定长度(maxlen)，默认填充值value = 0.0

代码语言：javascript复制

from keras.preprocessing import sequence

x_train = sequence.pad_sequences(x_train4,maxlen=80)
x_test = sequence.pad_sequences(x_test4,maxlen=80)

4.2 创建虚拟变量

代码语言：javascript复制

from keras.utils import to_categorical

Y_train = to_categorical(y_train, num_classes)
Y_test = to_categorical(y_test, num_classes)
Y_train3 = to_categorical(y_train3, num_classes)
Y_test3 = to_categorical(y_test3, num_classes)

4.3 训练集、测试集分离

代码语言：javascript复制

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X, 
												 y,
                                                 test_size=0.33,
                                                 random_state=42)

4.4 标准化/归一化

代码语言：javascript复制

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(x_train)
standardized_X = scaler.transform(x_train)
standardized_X_test = scaler.transform(x_test)

5 模型细节提取

5.1 模型输出形状

代码语言：javascript复制

model.output_shape

5.2 模型总结

代码语言：javascript复制

model.summary()

5.3 get模型参数

代码语言：javascript复制

model.get_config()

5.4 get神经网络weights

代码语言：javascript复制

model.get_weights()

6 编译模型

6.1 多层感知器

6.1.1 二分类问题

代码语言：javascript复制

model.compile(optimizer='adam',              
              loss='binary_crossentropy',              
              metrics=['accuracy'])

6.1.2 多分类问题

代码语言：javascript复制

model.compile(optimizer='rmsprop',              
              loss='categorical_crossentropy',              
              metrics=['accuracy'])

6.1.3 回归问题

代码语言：javascript复制

model.compile(optimizer='rmsprop', 
              loss='mse', 
              metrics=['mae'])

6.2 循环神经网络

代码语言：javascript复制

model.compile(loss='binary_crossentropy',               
               optimizer='adam',              
               metrics=['accuracy'])

7 训练模型

代码语言：javascript复制

model.fit(x_train4,           
           y_train4,           
           batch_size=32,           
           epochs=15,           
           verbose=1,           
           validation_data=(x_test4, y_test4))

8 评价模型

代码语言：javascript复制

score = model.evaluate(x_test,                        
                       y_test,                       
                       batch_size=32)

9 预测结果

代码语言：javascript复制

model.predict(x_test4, batch_size=32)

代码语言：javascript复制

model.predict_classes(x_test4,batch_size=32)

10 保存/载入模型

代码语言：javascript复制

from keras.models import load_model

model.save('model_file.h5')
my_model = load_model('my_model.h5')

11 模型参数调节

11.1 优化参数

代码语言：javascript复制

from keras.optimizers import RMSprop

opt = RMSprop(lr=0.0001, decay=1e-6)
model.compile(loss='categorical_crossentropy', 
               optimizer=opt,
               metrics=['accuracy'])

11.2 模型提前终止

代码语言：javascript复制

from keras.callbacks import EarlyStopping

early_stopping_monitor = EarlyStopping(patience=2)
model.fit(x_train4,
           y_train4,
           batch_size=32,
           epochs=15,
           validation_data=(x_test4,y_test4),
           callbacks=[early_stopping_monitor])

神经网络卷积神经网络 keras http

0 人点赞