Keras - 深度學習

Keras 提供了一個完整的框架來建立任何型別的深度神經網路。Keras 既創新又易於學習。它支援從簡單的神經網路到非常龐大且複雜的神經網路模型。讓我們在本節中瞭解 Keras 框架的架構以及 Keras 如何幫助深度學習。

Keras 的架構

Keras API 可以分為三個主要類別：

• 模型
• 層
• 核心模組

在 Keras 中，每個 ANN 都由Keras 模型表示。反過來，每個 Keras 模型都是Keras 層的組合，並表示 ANN 層，如輸入層、隱藏層、輸出層、卷積層、池化層等。Keras 模型和層訪問Keras 模組以獲取啟用函式、損失函式、正則化函式等。使用 Keras 模型、Keras 層和 Keras 模組，任何 ANN 演算法（CNN、RNN 等）都可以以簡單有效的方式表示。

下圖描述了模型、層和核心模組之間的關係：

讓我們看看 Keras 模型、Keras 層和 Keras 模組的概述。

模型

Keras 模型有兩種型別，如下所述：

順序模型 - 順序模型基本上是 Keras 層的線性組合。順序模型簡單、最小，並且能夠表示幾乎所有可用的神經網路。

一個簡單的順序模型如下所示：

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

其中，

• 第 1 行從 Keras 模型匯入Sequential模型

• 第 2 行匯入Dense層和Activation模組

• 第 4 行使用Sequential API 建立一個新的順序模型

• 第 5 行新增一個具有relu啟用（使用 Activation 模組）函式的密集層（Dense API）。

Sequential模型公開了Model類來建立自定義模型。我們可以使用子類化概念來建立我們自己的複雜模型。

函式式 API - 函式式 API 主要用於建立複雜的模型。

層

Keras 模型中的每個 Keras 層都表示實際提出的神經網路模型中的對應層（輸入層、隱藏層和輸出層）。Keras 提供了許多預構建的層，以便可以輕鬆建立任何複雜的神經網路。下面列出了一些重要的 Keras 層：

• 核心層
• 卷積層
• 池化層
• 迴圈層

使用順序模型表示神經網路模型的簡單 Python 程式碼如下所示：

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 

model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

其中，

• 第 1 行從 Keras 模型匯入Sequential模型

• 第 2 行匯入Dense層和Activation模組

• 第 4 行使用Sequential API 建立一個新的順序模型

• 第 5 行新增一個具有relu啟用（使用 Activation 模組）函式的密集層（Dense API）。

• 第 6 行新增一個 dropout 層（Dropout API）來處理過擬合。

• 第 7 行新增另一個具有relu啟用（使用 Activation 模組）函式的密集層（Dense API）。

• 第 8 行新增另一個 dropout 層（Dropout API）來處理過擬合。

• 第 9 行新增最終的密集層（Dense API），並使用softmax啟用（使用 Activation 模組）函式。

Keras 還提供建立我們自己的自定義層的選項。自定義層可以透過子類化Keras.Layer類來建立，這類似於子類化 Keras 模型。

核心模組

Keras 還提供了許多內建的神經網路相關函式，以便正確建立 Keras 模型和 Keras 層。其中一些功能如下：

• 啟用模組 - 啟用函式是 ANN 中的一個重要概念，啟用模組提供了許多啟用函式，如 softmax、relu 等。

• 損失模組 - 損失模組提供損失函式，如 mean_squared_error、mean_absolute_error、poisson 等。

• 最佳化器模組 - 最佳化器模組提供最佳化器函式，如 adam、sgd 等。

• 正則化器 - 正則化器模組提供函式，如 L1 正則化器、L2 正則化器等。

讓我們在下一章詳細學習 Keras 模組。