Keras:基于Python的深度学习库

停止更新通知

Hi all,十分感谢大家对keras-cn的支持,本文档从我读书的时候开始维护,到现在已经快两年了。这个过程中我通过翻译文档,为同学们debug和答疑学到了很多东西,也很开心能帮到一些同学。

从2017年我工作以后,由于工作比较繁忙,更新频率有所下降。到今年早期的时候这种情况更加严重,加之我了解到,keras官方已经出了中文文档,更觉本份文档似乎应该已经基本完成了其历史使命,该到了退休的时候了。我不清楚官方的中文文档质量如何,想来应该不会太差,也相信负责维护官方文档的同学会比我更有责任心。大家可以移步官方中文文档,以跟踪最新的API变动。

因此如无意外,本文档将停止维护,但如有纠错和更新的PR,我这里也会在github上merge一下。

遗憾嘛,其实没有什么遗憾的,不忘初心,方得始终。本来这份文档就是为了帮助一些入门的同学而设立的,既然有其他的文档可以完成这件事,那我觉得也很好。请大家向前看,继续加油~

闻道有先后,术业有专攻,祝大家早日得道,在自己专攻的方向早日有所作为。

(如有什么想交流的仍然可以通过moyan_work@foxmail.com联系我,同时也可以加我们的Keras群119427073或523412399一起聊天吹水)

打扰了,告辞!

这就是Keras

Keras是一个高层神经网络API,Keras由纯Python编写而成并基TensorflowTheano以及CNTK后端。Keras为支持快速实验而生,能够把你的idea迅速转换为结果,如果你有如下需求,请选择Keras:

  • 简易和快速的原型设计(keras具有高度模块化,极简,和可扩充特性)
  • 支持CNN和RNN,或二者的结合
  • 无缝CPU和GPU切换

Keras适用的Python版本是:Python 2.7-3.6

Keras的设计原则是

  • 用户友好:Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践:Keras提供一致而简洁的API, 能够极大减少一般应用下用户的工作量,同时,Keras提供清晰和具有实践意义的bug反馈。
  • 模块性:模型可理解为一个层的序列或数据的运算图,完全可配置的模块可以用最少的代价自由组合在一起。具体而言,网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块,你可以使用它们来构建自己的模型。
  • 易扩展性:添加新模块超级容易,只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
  • 与Python协作:Keras没有单独的模型配置文件类型(作为对比,caffe有),模型由python代码描述,使其更紧凑和更易debug,并提供了扩展的便利性。

关于Keras-cn

本文档是Keras文档的中文版,包括keras.io的全部内容,以及更多的例子、解释和建议

现在,keras-cn的版本号将简单的跟随最新的keras release版本

由于作者水平和研究方向所限,无法对所有模块都非常精通,因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问,欢迎发送邮件到moyan_work@foxmail.com与我取得联系。

您对文档的任何贡献,包括文档的翻译、查缺补漏、概念解释、发现和修改问题、贡献示例程序等,均会被记录在致谢,十分感谢您对Keras中文文档的贡献!

如果你发现本文档缺失了官方文档的部分内容,请积极联系我补充。

本文档相对于原文档有更多的使用指导和概念澄清,请在使用时关注文档中的Tips,特别的,本文档的额外模块还有:

  • Keras新手指南:我们新提供了“Keras新手指南”的页面,在这里我们对Keras进行了感性介绍,并简单介绍了Keras配置方法、一些小知识与使用陷阱,新手在使用前应该先阅读本部分的文档。
  • Keras资源:在这个页面,我们罗列一些Keras可用的资源,本页面会不定期更新,请注意关注
  • 深度学习与Keras:位于导航栏最下方的该模块翻译了来自Keras作者博客keras.io和其他Keras相关博客的文章,该栏目的文章提供了对深度学习的理解和大量使用Keras的例子,您也可以向这个栏目投稿。所有的文章均在醒目位置标志标明来源与作者,本文档对该栏目文章的原文不具有任何处置权。如您仍觉不妥,请联系本人(moyan_work@foxmail.com)删除。

当前版本与更新

如果你发现本文档提供的信息有误,有两种可能:

  • 你的Keras版本过低:记住Keras是一个发展迅速的深度学习框架,请保持你的Keras与官方最新的release版本相符
  • 我们的中文文档没有及时更新:如果是这种情况,请发邮件给我,我会尽快更新

目前文档的版本号是2.0.9,对应于官方的2.0.9 release 版本, 本次更新的主要内容是:

  • recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM层
  • application中新增了模型InceptionResNetV2
  • datasets新增fasion mnist
  • FAQ新增Keras的多GPU卡运行指南
  • utils新增多卡支持函数multi_gpu_model
  • model.compile和model.fit API更新
  • 由于年久失修,深度学习与Keras栏目中的很多内容的代码已经不再可用,我们决定在新的文档中移除这部分。仍然想访问这些内容(以及已经被移除的一些层,如Maxout)的文档的同学,请下载中文文档的legacy文件夹,并使用文本编辑器(如sublime)打开对应.md文件。
  • 修正了一些错误,感谢@孙永海,@Feng Ying的指正
  • 此外,感谢@zh777k制作了Keras2.0.4中文文档的离线版本,对于许多用户而言,这个版本的keras对大多数用户而言已经足够使用了。下载地址在百度云盘

注意,keras在github上的master往往要高于当前的release版本,如果你从源码编译keras,可能某些模块与文档说明不相符,请以官方Github代码为准

快速开始:30s上手Keras

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。你也可以查看函数式模型来学习建立更复杂的模型

Sequential模型如下

  1. from keras.models import Sequential
  2. model = Sequential()

将一些网络层通过.add()堆叠起来,就构成了一个模型:

  1. from keras.layers import Dense, Activation
  2. model.add(Dense(units=64, input_dim=100))
  3. model.add(Activation("relu"))
  4. model.add(Dense(units=10))
  5. model.add(Activation("softmax"))

完成模型的搭建后,我们需要使用.compile()方法来编译模型:

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

编译模型时必须指明损失函数和优化器,如果你需要的话,也可以自己定制损失函数。Keras的一个核心理念就是简明易用,同时保证用户对Keras的绝对控制力度,用户可以根据自己的需要定制自己的模型、网络层,甚至修改源代码。

  1. from keras.optimizers import SGD
  2. model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型编译后,我们在训练数据上按batch进行一定次数的迭代来训练网络

  1. model.fit(x_train, y_train, epochs=5, batch_size=32)

当然,我们也可以手动将一个个batch的数据送入网络中训练,这时候需要使用:

  1. model.train_on_batch(x_batch, y_batch)

随后,我们可以使用一行代码对我们的模型进行评估,看看模型的指标是否满足我们的要求:

  1. loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者,我们可以使用我们的模型,对新的数据进行预测:

  1. classes = model.predict(x_test, batch_size=128)

搭建一个问答系统、图像分类模型,或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的,现在让我们把它的实现也变的简单起来!

为了更深入的了解Keras,我们建议你查看一下下面的两个tutorial

还有我们的新手教程,虽然是面向新手的,但我们阅读它们总是有益的:

在Keras代码包的examples文件夹里,我们提供了一些更高级的模型:基于记忆网络的问答系统、基于LSTM的文本的文本生成等。

安装

Keras使用了下面的依赖包,三种后端必须至少选择一种,我们建议选择tensorflow。

  • numpy,scipy
  • pyyaml
  • HDF5, h5py(可选,仅在模型的save/load函数中使用)
  • 如果使用CNN的推荐安装cuDNN

当使用TensorFlow为后端时:

当使用Theano作为后端时:

当使用CNTK作为后端时:

“后端”翻译自backend,指的是Keras依赖于完成底层的张量运算的软件包。

从源码安装Keras时,首先git clone keras的代码:

  1. git clone https://github.com/fchollet/keras.git

接着 cd 到Keras的文件夹中,并运行下面的安装命令:

  1. sudo python setup.py install

你也可以使用PyPI来安装Keras

  1. sudo pip install keras

如果你用的是virtualenv虚拟环境,不要用sudo就好。

详细的Windows和Linux安装教程请参考“Keras新手指南”中给出的安装教程,特别鸣谢SCP-173编写了这些教程

在Theano、CNTK、TensorFlow间切换

Keras默认使用TensorFlow作为后端来进行张量操作,如需切换到Theano,请查看这里

技术支持

你可以在下列网址提问或加入Keras开发讨论:

你也可以在Github issues里提问或请求新特性。在提问之前请确保你阅读过我们的指导

另外,对于习惯中文的用户,我们推荐在“集智”平台提问,该平台由Kaiser等搭建,支持在线代码运行环境,我本人会经常访问该网站解答问题

最后,我们也欢迎同学们加我们的QQ群119427073进行讨论(潜水和灌水会被T,入群说明公司/学校-职位/年级)

小额赞助

如果你觉得本文档对你的研究和使用有所帮助,欢迎扫下面的二维码对作者进行小额赞助,以鼓励作者进一步完善文档内容,提高文档质量。同时,不妨为本文档的github加颗星哦

付款二维码