Keras中几个重要函数用法 | 数盟

Keras的核心数据结构是“模型”,模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型,Sequential是一系列网络层按顺序构成的栈。你也可以查看泛型模型来学习建立更复杂的模型。

Keras中几个重要函数用法

模块需导入包:

from keras.models import Sequential

from keras.layers import Dense, Dropout, Activation, Flatten

from keras.layers.convolutional import Conv2D

from keras.layers.pooling import MaxPooling2D

from keras.layers import Embedding, LSTM

from keras.utils import np_utils

from keras.datasets import mnist

激活函数有如下几种类型可选:

softmax、elu、softplus、softsign、relu、tanh、sigmoid、hard_sigmoid、linear

Dense(全连接层)

Dense层(https://keras-cn.readthedocs.io/en/latest/layers/core_layer/

keras.layers.core.Dense ( units, activation=None, use_bias=True, kernel_initializer=’glorot_uniform’, bias_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None )

units:大于0的整数,代表该层的输出维度。 activation:激活函数,为预定义的激活函数名(参考激活函数),或逐元素(element-wise)的Theano函数。如果不指定该参数,将不会使用任何激活函数(即使用线性激活函数:a(x)=x) usebias: 布尔值,是否使用偏置项 kernelinitializer:权值初始化方法,为预定义初始化方法名的字符串,或用于初始化权重的初始化器。参考initializers bias_initializer:权值初始化方法,为预定义初始化方法名的字符串,或用于初始化权重的初始化器。参考initializers

Keras模型保存

我们不推荐使用pickle或cPickle来保存Keras模型。

你可以使用model.save(filepath)将Keras模型和权重保存在一个HDF5文件中,该文件将包含:

♦ 模型的结构,以便重构该模型

♦ 模型的权重

♦ 训练配置(损失函数,优化器等)

♦ 优化器的状态,以便于从上次训练中断的地方开始

使用keras.models.load_model(filepath)来重新实例化你的模型,如果文件中存储了训练配置的话,该函数还会同时完成模型的编译

例子:

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’)

如果你只是希望保存模型的结构,而不包含其权重或配置信息,可以使用:

# save as JSON

json_string = model.to_json()

# save as YAML

yaml_string = model.to_yaml()

这项操作将把模型序列化为json或yaml文件,这些文件对人而言也是友好的,如果需要的话你甚至可以手动打开这些文件并进行编辑。

当然,你也可以从保存好的json文件或yaml文件中载入模型:

# model reconstruction from JSON:

from keras.models import model_from_json

model = model_from_json(json_string)

# model reconstruction from YAML

model = model_from_yaml(yaml_string)

如果需要保存模型的权重,可通过下面的代码利用HDF5进行保存。注意,在使用前需要确保你已安装了HDF5和其Python库h5py

model.save_weights(‘my_model_weights.h5’)如果你需要在代码中初始化一个完全相同的模型,请使用:

model.load_weights(‘my_model_weights.h5’)

如果你需要加载权重到不同的网络结构(有些层一样)中,例如fine-tune或transfer-learning,你可以通过层名字来加载模型:

model.load_weights(‘my_model_weights.h5’, by_name=True)

例如:

“””假如原模型为:

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)

可视化

使用方式

keras.utils.vis_utils模块提供了画出Keras模型的函数(利用graphviz)

该函数将画出模型结构图,并保存成图片:

from keras.utils import plot_model

plot_model(model, to_file=’model.png’)

具体可参考:可视化visualization(https://keras-cn.readthedocs.io/en/latest/other/visualization/)

解决办法

首先,安装pip安装pygot和graphviz之后,运行上面的可视化代码仍然报错

查询说是Windows下面只能采用安装包的方式进行安装,不能pip安装…..

最终,费了很大的周折之后,终于找到解决办法:

首先,安装graphviz(官方下载网址:

https://graphviz.gitlab.io/_pages/Download/Download_windows.html),然后在环境变量里面配置其路径(好像也没有什么用)

然后在代码里面设置如下:

import os

os.environ[“PATH”] += os.pathsep + ‘D:/install/Program Files (x86)/Graphviz2.38/bin/’

plot_model(model, to_file=’model.png’, show_shapes=True, show_layer_names=True)

OK,终于成功了。期间还涉及到说按照graphviz->grapphviz软件本身->pydot的顺序按照软件什么的,但是问题并没有解决,还是得在程序中引入地址。

参考文献

Keras中文文档:https://keras-cn.readthedocs.io/en/latest/for_beginners/concepts/

注:转载文章均来自于公开网络,仅供学习使用,不会用于任何商业用途,如果侵犯到原作者的权益,请您与我们联系删除或者授权事宜,联系邮箱:contact@dataunion.org。转载数盟网站文章请注明原文章作者,否则产生的任何版权纠纷与数盟无关。
期待你一针见血的评论,Come on!

不用想啦,马上 "登录"  发表自已的想法.