第7章 使用Keras开发神经网络

Keras基于Python,开发深度学习模型很容易。Keras将Theano和TensorFlow的数值计算封装好,几句话就可以配置并训练神经网络。本章开始使用Keras开发神经网络。本章将:

  • 将CSV数据读入Keras
  • 用Keras配置并编译多层感知器模型
  • 用验证数据集验证Keras模型

我们开始吧。

7.1 简介

虽然代码量不大,但是我们还是慢慢来。大体分几步:

  1. 导入数据
  2. 定义模型
  3. 编译模型
  4. 训练模型
  5. 测试模型
  6. 写出程序

7.2 皮马人糖尿病数据集

我们使用皮马人糖尿病数据集(Pima Indians onset of diabetes),在UCI的机器学习网站可以免费下载。数据集的内容是皮马人的医疗记录,以及过去5年内是否有糖尿病。所有的数据都是数字,问题是(是否有糖尿病是1或0),是二分类问题。数据的数量级不同,有8个属性:

  1. 怀孕次数
  2. 2小时口服葡萄糖耐量试验中的血浆葡萄糖浓度
  3. 舒张压(毫米汞柱)
  4. 2小时血清胰岛素(mu U/ml)
  5. 体重指数(BMI)
  6. 糖尿病血系功能
  7. 年龄(年)
  8. 类别:过去5年内是否有糖尿病

所有的数据都是数字,可以直接导入Keras。本书后面也会用到这个数据集。数据有768行,前5行的样本长这样:

  1. 6,148,72,35,0,33.6,0.627,50,1
  2. 1,85,66,29,0,26.6,0.351,31,0
  3. 8,183,64,0,0,23.3,0.672,32,1
  4. 1,89,66,23,94,28.1,0.167,21,0
  5. 0,137,40,35,168,43.1,2.288,33,1

数据在本书代码的data 目录,也可以在UCI机器学习的网站下载。把数据和Python文件放在一起,改名:

  1. pima-indians-diabetes.csv

基准准确率是65.1%,在10次交叉验证中最高的正确率是77.7%。在UCI机器学习的网站可以得到数据集的更多资料。

7.3 导入资料

使用随机梯度下降时最好固定随机数种子,这样你的代码每次运行的结果都一致。这种做法在演示结果、比较算法或debug时特别有效。你可以随便选种子:

  1. # fix random seed for reproducibility
  2. seed = 7
  3. numpy.random.seed(seed)

现在导入皮马人数据集。NumPy的loadtxt()函数可以直接带入数据,输入变量是8个,输出1个。导入数据后,我们把数据分成输入和输出两组以便交叉检验:

  1. # load pima indians dataset
  2. dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")
  3. # split into input (X) and output (Y) variables
  4. X = dataset[:,0:8]
  5. Y = dataset[:,8]

这样我们的数据每次结果都一致,可以定义模型了。

7.4 定义模型

Keras的模型由层构成:我们建立一个Sequential模型,一层层加入神经元。第一步是确定输入层的数目正确:在创建模型时用input_dim参数确定。例如,有8个输入变量,就设成8。

隐层怎么设置?这个问题很难回答,需要慢慢试验。一般来说,如果网络够大,即使存在问题也不会有影响。这个例子里我们用3层全连接网络。

全连接层用Dense类定义:第一个参数是本层神经元个数,然后是初始化方式和激活函数。这里的初始化方法是0到0.05的连续型均匀分布(uniform),Keras的默认方法也是这个。也可以用高斯分布进行初始化(normal)。

前两层的激活函数是线性整流函数(relu),最后一层的激活函数是S型函数(sigmoid)。之前大家喜欢用S型和正切函数,但现在线性整流函数效果更好。为了保证输出是0到1的概率数字,最后一层的激活函数是S型函数,这样映射到0.5的阈值函数也容易。前两个隐层分别有12和8个神经元,最后一层是1个神经元(是否有糖尿病)。

  1. # create model
  2. model = Sequential()
  3. model.add(Dense(12, input_dim=8, init='uniform', activation='relu')) model.add(Dense(8, init='uniform', activation='relu')) model.add(Dense(1, init='uniform', activation='sigmoid'))

网络的结构如图:

7.1 神经网络结构

7.5 编译模型

定义好的模型可以编译:Keras会调用Theano或者TensorFlow编译模型。后端会自动选择表示网络的最佳方法,配合你的硬件。这步需要定义几个新的参数。训练神经网络的意义是:找到最好的一组权重,解决问题。

我们需要定义损失函数和优化算法,以及需要收集的数据。我们使用binary_crossentropy,错误的对数作为损失函数;adam作为优化算法,因为这东西好用。想深入了解请查阅:Adam: A Method for Stochastic Optimization论文。因为这个问题是分类问题,我们收集每轮的准确率。

7.6 训练模型

终于开始训练了!调用模型的fit()方法即可开始训练。

网络按轮训练,通过nb_epoch参数控制。每次送入的数据(批尺寸)可以用batch_size参数控制。这里我们只跑150轮,每次10个数据。多试试就知道了。

  1. # Fit the model
  2. model.fit(X, Y, nb_epoch=150, batch_size=10)

现在CPU或GPU开始煎鸡蛋了。

7.7 测试模型

我们把测试数据拿出来检验一下模型的效果。注意这样不能测试在新数据的预测能力。应该将数据分成训练和测试集。

调用模型的evaluation()方法,传入训练时的数据。输出是平均值,包括平均误差和其他的数据,例如准确度。

  1. # evaluate the model
  2. scores = model.evaluate(X, Y)
  3. print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

7.8 写出程序

用Keras做机器学习就是这么简单。我们把代码放在一起:

  1. # Create first network with Keras
  2. from keras.models import Sequential
  3. from keras.layers import Dense
  4. import numpy
  5. # fix random seed for reproducibility
  6. seed = 7
  7. numpy.random.seed(seed)
  8. # load pima indians dataset
  9. dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")
  10. # split into input (X) and output (Y) variables
  11. X = dataset[:,0:8]
  12. Y = dataset[:,8]
  13. # create model
  14. model = Sequential()
  15. model.add(Dense(12, input_dim=8, init='uniform', activation='relu')) model.add(Dense(8, init='uniform', activation='relu'))
  16. model.add(Dense(1, init='uniform', activation='sigmoid'))
  17. # Compile model
  18. model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model
  19. model.fit(X, Y, nb_epoch=150, batch_size=10)
  20. # evaluate the model
  21. scores = model.evaluate(X, Y)
  22. print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

训练时每轮会输出一次损失和正确率,以及最终的效果。在我的CPU上用Theano大约跑10秒:

  1. ...
  2. Epoch 143/150
  3. 768/768 [==============================] - 0s - loss: 0.4614 - acc: 0.7878
  4. Epoch 144/150
  5. 768/768 [==============================] - 0s - loss: 0.4508 - acc: 0.7969
  6. Epoch 145/150
  7. 768/768 [==============================] - 0s - loss: 0.4580 - acc: 0.7747
  8. Epoch 146/150
  9. 768/768 [==============================] - 0s - loss: 0.4627 - acc: 0.7812
  10. Epoch 147/150
  11. 768/768 [==============================] - 0s - loss: 0.4531 - acc: 0.7943
  12. Epoch 148/150
  13. 768/768 [==============================] - 0s - loss: 0.4656 - acc: 0.7734
  14. Epoch 149/150
  15. 768/768 [==============================] - 0s - loss: 0.4566 - acc: 0.7839
  16. Epoch 150/150
  17. 768/768 [==============================] - 0s - loss: 0.4593 - acc: 0.7839
  18. 768/768 [==============================] - 0s
  19. acc: 79.56%

7.9 总结

本章关于利用Keras创建神经网络。总结一下:

  • 如何导入数据
  • 如何用Keras定义神经网络
  • 如何调用后端编译模型
  • 如何训练模型
  • 如何测试模型
7.9.1 下一章

现在你已经知道如何如何用Keras开发神经网络:下一章讲讲如何在新的数据上进行测试。