十八、Keras
作者:Chris Albon
译者:飞龙
添加丢弃
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们想要的特征数量
number_of_features = 1000
# 从电影评论数据加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
在 Keras 中,我们可以通过在我们的网络架构中添加Dropout
层来实现丢弃。 每个Dropout
层将丢弃每批中的一定数量的上一层单元,它是由用户定义的超参数。 请记住,在 Keras 中,输入层被假定为第一层,而不是使用add
添加。 因此,如果我们想要将丢弃添加到输入层,我们在其中添加的图层是一个丢弃层。 该层包含输入层单元的比例,即0.2
和input_shape
,用于定义观测数据的形状。 接下来,在每个隐藏层之后添加一个带有0.5
的丢弃层。
# 创建神经网络
network = models.Sequential()
# 为输入层添加丢弃层
network.add(layers.Dropout(0.2, input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 为先前的隐藏层添加丢弃层
network.add(layers.Dropout(0.5))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 为先前的隐藏层添加丢弃层
network.add(layers.Dropout(0.5))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=3, # 迭代数量
verbose=0, # 无输出
batch_size=100, # 每个批量的观测数量
validation_data=(test_features, test_target)) # 用于评估的数据
卷积神经网络
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras import backend as K
# 设置颜色通道值优先
K.set_image_data_format('channels_first')
# 设置种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置图像信息
channels = 1
height = 28
width = 28
# 从 MNIST 数据集加载数据和目标
(train_data, train_target), (test_data, test_target) = mnist.load_data()
# 将训练图像数据的形状变为特征
train_data = train_data.reshape(train_data.shape[0], channels, height, width)
# 将测试图像数据的形状变为特征
test_data = test_data.reshape(test_data.shape[0], channels, height, width)
# 将像素缩放到 0 和 1 之间
train_features = train_data / 255
test_features = test_data / 255
# 将目标单热编码
train_target = np_utils.to_categorical(train_target)
test_target = np_utils.to_categorical(test_target)
number_of_classes = test_target.shape[1]
卷积神经网络(也称为 ConvNets)是一种流行的网络类型,已被证明在计算机视觉上非常有效(例如识别猫狗,飞机甚至热狗)。前馈神经网络完全可以在图像上使用,其中每个像素都是一个特征。 但是,这样做时我们遇到了两个主要问题。
首先,前馈神经网络不考虑像素的空间结构。 例如,在 10x10 的像素图像中,我们可以将其转换为 100 个像素特征的矢量,并且在这种情况下,前馈将认为第一特征(例如像素值)与第十个和第十一个特征具有相同的关系。 然而,实际上,第 10 个特征表示第一个特征的远侧的像素,而第 11 个特征表示紧邻第一个特征的像素。
其次,与之相关,前馈神经网络学习特征中的全局关系而不是局部规律。 在更实际的术语中,这意味着前馈神经网络无法检测到对象,无论它出现在图像中哪个位置。 例如,假设我们正在训练神经网络识别面部,这些面部可能出现在图像的任何位置,从右上角到中间到左下角。 卷积神经网络的威力就是它们处理这两个问题(和其他问题)的能力。
# 创建神经网络
network = Sequential()
# 添加卷积层,带有 64 个过滤器
# 5x5 窗口和 ReLU 激活函数
network.add(Conv2D(filters=64, kernel_size=(5, 5), input_shape=(channels, width, height), activation='relu'))
# 添加带有 2x2 窗口的最大池化层
network.add(MaxPooling2D(pool_size=(2, 2)))
# 添加丢弃层
network.add(Dropout(0.5))
# 添加展开输入的层
network.add(Flatten())
# 添加带有 ReLU 激活函数的 128 个单元的全连接层
network.add(Dense(128, activation='relu'))
# 添加丢弃层
network.add(Dropout(0.5))
# 添加带有 softmax 激活函数的全连接层
network.add(Dense(number_of_classes, activation='softmax'))
# 编译神经网络
network.compile(loss='categorical_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
network.fit(train_features, # 特征
train_target, # 目标
epochs=2, # 迭代数量
verbose=0, # 不要在每个迭代之后打印描述
batch_size=1000, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
# <keras.callbacks.History at 0x103f9b8d0>
用于二分类的前馈神经网络
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 1000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
因为这是二元分类问题,所以一种常见的选择是在单个单元的输出层中使用 sigmoid 激活函数。
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
在Keras,我们使用fit
方法训练我们的神经网络。 需要定义六个重要参数。 前两个参数是训练数据的特征和目标向量。
epochs
参数定义训练数据时要使用的迭代数。 verbose
确定在训练过程中输出多少信息,0
没有输出,1
输出进度条,2
在每个迭代输出一行日志。 batch_size
设置在更新参数之前通过网络传播的观测数。
最后,我们提供了一组用于评估模型的测试数据。 这些测试特征和目标向量可以是validation_data
的参数,它们将使用它们进行评估。 或者,我们可以使用validation_split
来定义,我们想要进行评估训练数据的哪一部分。
在 scikit-learn 中fit
方法返回一个训练好的模型,但是在 Keras 中,fit
方法返回一个History
对象,包含每个迭代的损失值和表现指标。
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=3, # 迭代数量
verbose=1, # 每个迭代之后打印描述
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
'''
Train on 25000 samples, validate on 25000 samples
Epoch 1/3
25000/25000 [==============================] - 2s - loss: 0.4215 - acc: 0.8102 - val_loss: 0.3385 - val_acc: 0.8558
Epoch 2/3
25000/25000 [==============================] - 1s - loss: 0.3241 - acc: 0.8646 - val_loss: 0.3261 - val_acc: 0.8626
Epoch 3/3
25000/25000 [==============================] - 2s - loss: 0.3120 - acc: 0.8700 - val_loss: 0.3268 - val_acc: 0.8593
'''
用于多分类的前馈神经网络
# 加载库
import numpy as np
from keras.datasets import reuters
from keras.utils.np_utils import to_categorical
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 5000
# 加载特征和目标数据
(train_data, train_target_vector), (test_data, test_target_vector) = reuters.load_data(num_words=number_of_features)
# 将特征数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
# 单热编码目标向量来创建目标矩阵
train_target = to_categorical(train_target_vector)
test_target = to_categorical(test_target_vector)
在这个例子中,我们使用适合于多类分类的损失函数,分类交叉熵损失函数,categorical_crossentropy
。
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=100, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=100, activation='relu'))
# 添加带有 Softmax 激活函数的全连接层
network.add(layers.Dense(units=46, activation='softmax'))
# 编译神经网络
network.compile(loss='categorical_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=3, # 三个迭代
verbose=0, # 没有输出
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
用于回归的前馈神经网络
# 加载库
import numpy as np
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 生成特征矩阵和目标向量
features, target = make_regression(n_samples = 10000,
n_features = 3,
n_informative = 3,
n_targets = 1,
noise = 0.0,
random_state = 0)
# 将我们的数据划分为训练和测试集
train_features, test_features, train_target, test_target = train_test_split(features,
target,
test_size=0.33,
random_state=0)
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=32, activation='relu', input_shape=(train_features.shape[1],)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=32, activation='relu'))
# 添加没有激活函数的全连接层
network.add(layers.Dense(units=1))
因为我们正在训练回归,所以我们应该使用适当的损失函数和评估度量,在我们的例子中是均方误差:
其中 是观测数量, 是我们试图预测的目标 对于观测 的真实值, 是 的模型预测值。
# 编译神经网络
network.compile(loss='mse', # MSE
optimizer='RMSprop', # 优化算法
metrics=['mse']) # MSE
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=10, # 迭代数量
verbose=0, # 无输出
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
LSTM 循环神经网络
通常我们拥有我们想要分类的文本数据。 虽然可以使用一种卷积网络,但我们将专注于一种更流行的选择:循环神经网络。循环神经网络的关键特征,是信息在网络中循环。 这为循环神经网络提供了一种存储器,可用于更好地理解序列数据。流行的循环神经网络类型是长期短期记忆(LSTM)网络,它允许信息在网络中向后循环。
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing import sequence
from keras import models
from keras import layers
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 1000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 使用填充或者截断,使每个观测具有 400 个特征
train_features = sequence.pad_sequences(train_data, maxlen=400)
test_features = sequence.pad_sequences(test_data, maxlen=400)
# 查看第一个观测
print(train_data[0])
'''
[1, 14, 22, 16, 43, 530, 973, 2, 2, 65, 458, 2, 66, 2, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670, 2, 9, 35, 480, 284, 5, 150, 4, 172, 112, 167, 2, 336, 385, 39, 4, 172, 2, 2, 17, 546, 38, 13, 447, 4, 192, 50, 16, 6, 147, 2, 19, 14, 22, 4, 2, 2, 469, 4, 22, 71, 87, 12, 16, 43, 530, 38, 76, 15, 13, 2, 4, 22, 17, 515, 17, 12, 16, 626, 18, 2, 5, 62, 386, 12, 8, 316, 8, 106, 5, 4, 2, 2, 16, 480, 66, 2, 33, 4, 130, 12, 16, 38, 619, 5, 25, 124, 51, 36, 135, 48, 25, 2, 33, 6, 22, 12, 215, 28, 77, 52, 5, 14, 407, 16, 82, 2, 8, 4, 107, 117, 2, 15, 256, 4, 2, 7, 2, 5, 723, 36, 71, 43, 530, 476, 26, 400, 317, 46, 7, 4, 2, 2, 13, 104, 88, 4, 381, 15, 297, 98, 32, 2, 56, 26, 141, 6, 194, 2, 18, 4, 226, 22, 21, 134, 476, 26, 480, 5, 144, 30, 2, 18, 51, 36, 28, 224, 92, 25, 104, 4, 226, 65, 16, 38, 2, 88, 12, 16, 283, 5, 16, 2, 113, 103, 32, 15, 16, 2, 19, 178, 32]
'''
# 查看第一个观测
test_features[0]
'''
array([ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 1, 89, 27, 2, 2, 17, 199, 132, 5, 2,
16, 2, 24, 8, 760, 4, 2, 7, 4, 22, 2, 2, 16,
2, 17, 2, 7, 2, 2, 9, 4, 2, 8, 14, 991, 13,
877, 38, 19, 27, 239, 13, 100, 235, 61, 483, 2, 4, 7,
4, 20, 131, 2, 72, 8, 14, 251, 27, 2, 7, 308, 16,
735, 2, 17, 29, 144, 28, 77, 2, 18, 12], dtype=int32)
'''
# 创建神经网络
network = models.Sequential()
# 添加嵌入层
network.add(layers.Embedding(input_dim=number_of_features, output_dim=128))
# 添加带有 128 个单元的 LSTM 层
network.add(layers.LSTM(units=128))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='Adam', # Adam 优化
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标
epochs=3, # 迭代数量
verbose=0, # 不在每个迭代之后打印描述
batch_size=1000, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
神经网络的提前停止
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
from keras.callbacks import EarlyStopping, ModelCheckpoint
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 1000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
在 Keras 中,我们可以将提权停止实现为回调函数。 回调是可以在训练过程的某些阶段应用的函数,例如在每个迭代结束时。 具体来说,在我们的解决方案中,我们包含了EarlyStopping(monitor='val_loss', patience=2)
,来定义我们想要监控每个迭代的测试(验证)损失,并且在两个迭代之后如果测试损失没有改善,训练就中断。 但是,由于我们设置了patience=2
,我们不会得到最好的模型,而是最佳模型两个时代后的模型。 因此,可选地,我们可以包含第二个操作,ModelCheckpoint
,它在每个检查点之后将模型保存到文件中(如果由于某种原因中断了多天的训练会话,这可能很有用。如果我们设置save_best_only = True
,ModelCheckpoint
将只保存最佳模型,这对我们有帮助。
# 将回调函数设置为提前停止训练,并保存到目前为止最好的模型
callbacks = [EarlyStopping(monitor='val_loss', patience=2),
ModelCheckpoint(filepath='best_model.h5', monitor='val_loss', save_best_only=True)]
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=20, # 迭代数量
callbacks=callbacks, # 提前停止
verbose=0, # 每个迭代之后打印描述
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
神经网络的参数正则化
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
from keras import regularizers
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 1000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
在 Keras 中,我们可以通过添加带有kernel_regularizer = regularizers.l2(0.01)
的层,来增加权重正则化。 在这个例子中,0.01
确定我们如何惩罚更高的参数值。
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数和 L2 正则化的全连接层
network.add(layers.Dense(units=16,
activation='relu',
kernel_regularizer=regularizers.l2(0.01),
input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数和 L2 正则化的全连接层
network.add(layers.Dense(units=16,
kernel_regularizer=regularizers.l2(0.01),
activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=3, # 迭代数量
verbose=0, # 无输出
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
为神经网络预处理数据
通常,神经网络的参数被初始化(即,创建)为小的随机数。 当特征值远大于参数值时,神经网络通常表现不佳。 此外,由于观测的特征值在通过单个单元时将被组合,因此所有特征具有相同的比例是很重要的。
由于这些原因,最佳实践(尽管并非总是必要的,例如当我们的特征都是二元时)是标准化每个特征,使得特征的值均值为 0 和标准差为 1。这可以使用 scikit-learn 的StandardScaler
轻松完成。
# 加载库
from sklearn import preprocessing
import numpy as np
# 创建特征
features = np.array([[-100.1, 3240.1],
[-200.2, -234.1],
[5000.5, 150.1],
[6000.6, -125.1],
[9000.9, -673.1]])
# 创建缩放器
scaler = preprocessing.StandardScaler()
# 转换特征
features_standardized = scaler.fit_transform(features)
# 展示特征
features_standardized
'''
array([[-1.12541308, 1.96429418],
[-1.15329466, -0.50068741],
[ 0.29529406, -0.22809346],
[ 0.57385917, -0.42335076],
[ 1.40955451, -0.81216255]])
'''
# 打印均值和标准差
print('Mean:', round(features_standardized[:,0].mean()))
print('Standard deviation:', features_standardized[:,0].std())
'''
Mean: 0.0
Standard deviation: 1.0
'''
保存模型的训练过程
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
from keras.callbacks import ModelCheckpoint
# 设置随机数种子
np.random.seed(0)
# 设置我们希望的特征数
number_of_features = 1000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
在每个得带之后,ModelCheckpoint
将模型保存到filepath
参数指定的位置。 如果我们只包含一个文件名(例如models.hdf5
),那么每个迭代都会用最新的模型覆盖该文件。 如果我们只想根据某些损失函数的表现保存最佳模型,我们可以设置save_best_only = True
和monitor ='val_loss'
,如果模型的测试损失比以前更差,则不覆盖文件 。 或者,我们可以将每个迭代的模型保存到自己的文件,方法是将迭代编号和测试损失得分包含在文件名本身中。 例如,如果我们将filepath
设置为model_{epoch:02d}_{val_loss:.2f}.hdf5
,那么模型的文件名称为 model_10_0.35.hdf5
(注意迭代编号的索引从 0 开始),它包含第 11 个迭代之后的测试损失值 0.33。
# 将回调函数设置为提前停止训练
# 并保存目前为止最好的模型
checkpoint = [ModelCheckpoint(filepath='models.hdf5')]
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # 目标向量
epochs=3, # 迭代数量
callbacks=checkpoint, # Checkpoint
verbose=0, # 无输出
batch_size=100, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
调优神经网络超参数
# 加载库
import numpy as np
from keras import models
from keras import layers
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_classification
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 特征数
number_of_features = 100
# 生成特征矩阵和目标向量
features, target = make_classification(n_samples = 10000,
n_features = number_of_features,
n_informative = 3,
n_redundant = 0,
n_classes = 2,
weights = [.5, .5],
random_state = 0)
# 创建返回已编译网络的函数
def create_network(optimizer='rmsprop'):
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer=optimizer, # 优化器
metrics=['accuracy']) # 准确率表现度量
# 返回编译的网络
return network
# 包装 Keras 模型,使其能够用于 sklearn
neural_network = KerasClassifier(build_fn=create_network, verbose=0)
# 创建超参数空间
epochs = [5, 10]
batches = [5, 10, 100]
optimizers = ['rmsprop', 'adam']
# 创建超参数选项
hyperparameters = dict(optimizer=optimizers, epochs=epochs, batch_size=batches)
# 创建网格搜索
grid = GridSearchCV(estimator=neural_network, param_grid=hyperparameters)
# 拟合网格搜索
grid_result = grid.fit(features, target)
# 查看神经网络的最佳超参数
grid_result.best_params_
# {'batch_size': 5, 'epochs': 5, 'optimizer': 'rmsprop'}
可视化损失历史
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
import matplotlib.pyplot as plt
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 10000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # Target
epochs=15, # 迭代数量
verbose=0, # 无输出
batch_size=1000, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
# 得到训练和测试损失历史
training_loss = history.history['loss']
test_loss = history.history['val_loss']
# 创建迭代数量
epoch_count = range(1, len(training_loss) + 1)
# 可视化损失历史
plt.plot(epoch_count, training_loss, 'r--')
plt.plot(epoch_count, test_loss, 'b-')
plt.legend(['Training Loss', 'Test Loss'])
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show();
可视化神经网络架构
# 加载库
from keras import models
from keras import layers
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
from keras.utils import plot_model
# 使用 TensorFlow 后端
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(10,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 可视化网络架构
SVG(model_to_dot(network, show_shapes=True).create(prog='dot', format='svg'))
# 将绘图保存到文件
plot_model(network, show_shapes=True, to_file='network.png')
可视化表现历史
# 加载库
import numpy as np
from keras.datasets import imdb
from keras.preprocessing.text import Tokenizer
from keras import models
from keras import layers
import matplotlib.pyplot as plt
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 设置我们希望的特征数
number_of_features = 10000
# 从电影评论数据集加载数据和目标向量
(train_data, train_target), (test_data, test_target) = imdb.load_data(num_words=number_of_features)
# 将电影评论数据转换为单热编码的特征矩阵
tokenizer = Tokenizer(num_words=number_of_features)
train_features = tokenizer.sequences_to_matrix(train_data, mode='binary')
test_features = tokenizer.sequences_to_matrix(test_data, mode='binary')
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 训练神经网络
history = network.fit(train_features, # 特征
train_target, # Target
epochs=15, # 迭代数量
verbose=0, # 无输出
batch_size=1000, # 每个批量的观测数
validation_data=(test_features, test_target)) # 用于评估的数据
具体来说,我们展示神经网络在训练和测试集上的每个迭代的准确率得分。
# 获取训练和测试准确率历史
training_accuracy = history.history['acc']
test_accuracy = history.history['val_acc']
# 创建迭代数量
epoch_count = range(1, len(training_accuracy) + 1)
# 可视化准确率历史
plt.plot(epoch_count, training_accuracy, 'r--')
plt.plot(epoch_count, test_accuracy, 'b-')
plt.legend(['Training Accuracy', 'Test Accuracy'])
plt.xlabel('Epoch')
plt.ylabel('Accuracy Score')
plt.show();
神经网络的 K 折交叉验证
如果我们拥有较小的数据,那么利用 k 折叠交叉验证可以最大化我们评估神经网络表现的能力。 这在 Keras 中是可能的,因为我们可以“包装”任何神经网络,使其可以使用 scikit-learn 中可用的评估功能,包括 k-fold 交叉验证。 为此,我们首先要创建一个返回已编译神经网络的函数。 接下来我们使用KerasClassifier
(这是分类器的情况,如果我们有一个回归器,我们可以使用KerasRegressor
)来包装模型,以便 scikit-learn 可以使用它。 在此之后,我们可以像任何其他 scikit-learn 学习算法一样使用我们的神经网络(例如随机森林,逻辑回归)。 在我们的解决方案中,我们使用cross_val_score
在我们的神经网络上运行三折交叉验证。
# 加载库
import numpy as np
from keras import models
from keras import layers
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_classification
# 设置随机数种子
np.random.seed(0)
# 使用 TensorFlow 后端
# 特征数
number_of_features = 100
# 生成特征矩阵和目标向量
features, target = make_classification(n_samples = 10000,
n_features = number_of_features,
n_informative = 3,
n_redundant = 0,
n_classes = 2,
weights = [.5, .5],
random_state = 0)
# 创建返回已编译网络的函数
def create_network():
# 创建神经网络
network = models.Sequential()
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu', input_shape=(number_of_features,)))
# 添加带有 ReLU 激活函数的全连接层
network.add(layers.Dense(units=16, activation='relu'))
# 添加带有 Sigmoid 激活函数的全连接层
network.add(layers.Dense(units=1, activation='sigmoid'))
# 编译神经网络
network.compile(loss='binary_crossentropy', # 交叉熵
optimizer='rmsprop', # RMSProp
metrics=['accuracy']) # 准确率表现度量
# 返回编译的网络
return network
# 包装 Keras 模型,使其能够用于 scikit-learn
neural_network = KerasClassifier(build_fn=create_network,
epochs=10,
batch_size=100,
verbose=0)
# 使用三折交叉验证评估神经网络
cross_val_score(neural_network, features, target, cv=3)
# array([ 0.90491901, 0.77827782, 0.87038704])