关于keras构建的神经网络的输出结果解释？keras 在不平衡数据上的 fit -- class_weight

本文目录

• 关于keras构建的神经网络的输出结果解释
• keras 在不平衡数据上的 fit -- class_weight
• Python深度学习中keras，tensorflow，scikit-learn哪个好用
• keras中模型如何传递到函数里供函数体使用
• keras如何快速入门
• keras和tensorflow的关系

关于keras构建的神经网络的输出结果解释

• ETA：Estimated Time of Arrival。Loss:系统的损失。acc：Accuracy正确率。

• from keras.datasets import mnist
  from keras.utils import np_utils
  from keras.models import Sequential
  from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten
  from keras.optimizers import Adam
  # 加载数据集
  (X_train, y_train), (X_test, y_test) = mnist.load_data()
  # 数据集预处理
  X_train = X_train.reshape(-1, 1, 28, 28)
  X_test = X_test.reshape(-1, 1, 28, 28)
  # 将label变为向量

keras 在不平衡数据上的 fit -- class_weight

keras已经在新版本中加入了 class_weight = ’auto’。
设置了这个参数后，keras会自动设置class weight让每类的sample对损失的贡献相等。例子如下：

clf.fit()

Python深度学习中keras，tensorflow，scikit-learn哪个好用

scikit-learn主要是用于机器学习，要是深度学习的话不太适合。
keras和tensorflow其实是一家，tensorflow自带了tf.keras，所以我觉得两个可以都学，不冲突。
keras能够快速搭建一个较为简单的模型，通过调用keras.layers中的类就可以搭建一个简单的模型，tensorflow相比于keras能够改变具体模型内部的计算方法，更适合深入研究算法。
所以我建议先用keras入门，等到keras逐渐不能满足需求时，再用tensorflow与keras结合的方法构建你自己的模型结构
可以去看看tensorflow2的教程（因为tf2大部分都是用keras编写，所以也会有人叫kerasflow）

keras中模型如何传递到函数里供函数体使用

我的一个模型含有自定义层“SincConv1D”，需要使用下面的代码导入。
我的一个模型含有自定义层“SincConv1D”，需要使用下面的代码导入：
from keras.models import load_model
model = load_model(’model.h5’, custom_objects={’SincConv1D’: SincConv1D})
如果不加custom_objects指定目标层Layer，则会出现以下报错：
ValueError: Unknown layer: SincConv1D
同样的，当我的模型含有自定义函数“my_loss”，需要使用下面的代码导入：
from keras.models import load_model
model = load_model(’model.h5’, custom_objects={’my_loss’: my_loss})
补充知识：keras加载模型load_model报错——ValueError: Unknown layer: CRF
我就废话不多说了，大家还是直接看代码吧！
from keras.models import load_model
model = load_model(model_path)
会报错，需要在load_model函数中添加custom_objects参数，来声明自定义的层
（用keras搭建bilstm-crf，在训练模型时，使用的是：
from keras_contrib.layers.crf import CRF）
from keras_contrib.layers.crf import CRF, crf_loss, crf_viterbi_accuracy
model = load_model(model_path, custom_objects={“CRF“: CRF, ’crf_loss’: crf_loss,
’crf_viterbi_accuracy’: crf_viterbi_accuracy})

keras如何快速入门

作者 | 杨照璐（微信号lwyzl0821）

| 言有三

这一次我们讲讲keras这个简单、流行的深度学习框架，一个图像分类任务从训练到测试出结果的全流程。

相关的代码、数据都在我们 Git 上，希望大家 Follow 一下这个 Git 项目，后面会持续更新不同框架下的任务。

Keras是一个非常流行、简单的深度学习框架，它的设计参考了torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU。能够在TensorFlow，CNTK或Theano之上运行。 Keras的特点是能够快速实现模型的搭建， 简单方便地让你实现从想法到实验验证的转化，这都是高效地进行科学研究的关键。

Keras的安装非常简单，但是需要先安装一个后端框架作为支撑，TensorFlow， CNTK，Theano都可以，但是官网上强烈建议使用TensorFlow作为Keras的后端进行使用。本例以TensorFlow 1.4.0 版本作为Keras的后端进行测试。

通过上面两条命令就可以完成TensorFlow和Keras的安装，此处需要注意的一点是Keras的版本和TensorFlow的版本要对应，否则会出现意外的错误。具体版本对应关系可在网上进行查询。

3.1 MNIST实例

MNIST手写字符分类被认为是深度学习框架里的“Hello Word！”，下面简单介绍一下MNIST数据集案例的测试。Keras的官方github的example目录下提供了几个MNIST案例的代码，下载mnist_mlp.py，mnist_cnn.py文件，本地运行即可，其他文件读者也可以自行测试。

3.2 数据定义

前面我们介绍了MNIST数据集实例，很多读者在学习深度学习框架的时候都卡在了这一步，运行完MNIST实例之后无从下手，很大原因可能是因为不知道怎么处理自己的数据集，这一节我们通过一个简单的图像二分类案例，介绍如何实现一个自定义的数据集。

数据处理有几种方式，一种是像MNIST、CIFAR数据集，这些数据集的特点是已经为用户打包封装好了数据。用户只要load_data即可实现数据导入。其实就是事先把数据进行解析，然后保存到.pkl 或者.h5等文件中，然后在训练模型的时候直接导入，输入到网络中；另一种是直接从本地读取文件，解析成网络需要的格式，输入网络进行训练。但是实际情况是，为了某一个项目我们不可能总是找到相应的打包好的数据集供使用，这时候自己建立一个dataset就十分重要。

Keras提供了一个图像数据的数据增强文件，调用这个文件我们可以实现网络数据加载的功能。

此处采用keras的processing模块里的ImageDataGenerator类定义一个图像分类任务的dataset生成器：

下面简单地介绍一下上面的代码，完整代码请移步Git工程。

Keras的processing模块中提供了一个能够实时进行数据增强的图像生成类ImagGenerator，该类下面有一个函数flow_from_directory，顾名思义该函数就是从文件夹中获取图像数据。关于ImageGenerator更多的使用可以参考官方源码。数据集结构组织如下：

此处还需要注意的一点是，我们现在进行的是简单的图像分类任务训练，假如要完成语义分割，目标检测等任务，则需要自定义一个类（继承ImageDataGenerator），具体实现可以查询相关代码进行参考。

Keras网络模型搭建有两种形式，Sequential 顺序模型和使用函数式API的 Model 类模型。本教程的例子采用一个简单的三层卷积，以及两层全连接和一个分类层组成的网络模型。由于函数式API更灵活方便，因此下面采用函数式方法搭建模型，模型定义如下：

4.1 函数式API

即输出是12通道，卷积核大小3*3，步长为2，padding=’same’表示边缘补零

axis表示需要归一化的坐标轴，bn_axis=3，由于采用TensorFlow作为后端，因此这句代码表示在通道数坐标轴进行归一化。

x = Flatten()(x) 表示将卷积特征图进行拉伸，以便和全连接层Dense()进行连接。

Dense()实现全连接层的功能，1200是输出维度，‘relu’表示激活函数，使用其他函数可以自行修改。

最后一层采用‘softmax’激活函数实现分类功能。

最终返回Model，包含网络的输入和输出。

4.2 模型编译

网络搭建完成，在网络训练前需要进行编译，包括学习方法、损失函数、评估标准等，这些参数分别可以从optimizer、loss、metric模块中导入。具体代码如下：

其中callbacks模块包含了TensorBoard， ModelCheckpoint，LearningRateScheduler等功能，分别可以用来可视化模型，设置模型检查点，以及设置学习率策略。

5.1 模型训练

Keras模型训练过程非常简单，只需一行代码，设置几个参数即可，具体代码如下：

首先指定数据生成器，train_generator, 前面介绍过；steps_per_epoch是每次epoch循环的次数，通过训练样本数除以batch_size得到；epochs是整个数据集重复多少次训练。

Keras是高度封装的，在模型训练过程中，看不到网络的预测结果和网络的反向传播过程，只需定义好损失函数，事实上，网络定义中的模型输出会包含网络的输入和输出。

5.2 训练过程可视化

keras可以采用tensorboard实现训练过程的可视化。执行完下面的命令就可以在浏览器访问

keras和tensorflow的关系

Keras作为前端，TensorFlow作为后端。
1.一直在用keras，说点个人感受。
2.和TensorFlow对应的是Theano，Torch，而Caffe专精于图像处理。3.Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口。