深度學(xué)習(xí)：tf.keras實現(xiàn)模型搭建、模型訓(xùn)練和預(yù)測

在sklearn中，模型都是現(xiàn)成的。tf.Keras是一個神經(jīng)網(wǎng)絡(luò)庫,我們需要根據(jù)數(shù)據(jù)和標(biāo)簽值構(gòu)建神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)可以發(fā)現(xiàn)特征與標(biāo)簽之間的復(fù)雜關(guān)系。神經(jīng)網(wǎng)絡(luò)是一個高度結(jié)構(gòu)化的圖，其中包含一個或多個隱藏層。每個隱藏層都包含一個或多個神經(jīng)元。神經(jīng)網(wǎng)絡(luò)有多種類別，該程序使用的是密集型神經(jīng)網(wǎng)絡(luò)，也稱為全連接神經(jīng)網(wǎng)絡(luò)：一個層中的神經(jīng)元將從上一層中的每個神經(jīng)元獲取輸入連接。例如，圖 2 顯示了一個密集型神經(jīng)網(wǎng)絡(luò)，其中包含 1 個輸入層、2 個隱藏層以及 1 個輸出層，如下圖所示：

上圖 中的模型經(jīng)過訓(xùn)練并饋送未標(biāo)記的樣本時，它會產(chǎn)生 3 個預(yù)測結(jié)果：相應(yīng)鳶尾花屬于指定品種的可能性。對于該示例，輸出預(yù)測結(jié)果的總和是 1.0。該預(yù)測結(jié)果分解如下：山鳶尾為 0.02，變色鳶尾為 0.95，維吉尼亞鳶尾為 0.03。這意味著該模型預(yù)測某個無標(biāo)簽鳶尾花樣本是變色鳶尾的概率為 95%。

TensorFlow tf.keras API 是創(chuàng)建模型和層的首選方式。通過該 API，您可以輕松地構(gòu)建模型并進行實驗，而將所有部分連接在一起的復(fù)雜工作則由 Keras 處理。

tf.keras.Sequential 模型是層的線性堆疊。該模型的構(gòu)造函數(shù)會采用一系列層實例;在本示例中，采用的是 2 個密集層(分別包含 10 個節(jié)點)以及 1 個輸出層(包含 3 個代表標(biāo)簽預(yù)測的節(jié)點)。第一個層的 input_shape 參數(shù)對應(yīng)該數(shù)據(jù)集中的特征數(shù)量：

# 利用sequential方式構(gòu)建模型model = Sequential([
  # 隱藏層1，激活函數(shù)是relu,輸入大小有input_shape指定
  Dense(10, activation="relu", input_shape=(4,)),  
  # 隱藏層2，激活函數(shù)是relu
  Dense(10, activation="relu"),
  # 輸出層
  Dense(3,activation="softmax")])

通過model.summary可以查看模型的架構(gòu)：

激活函數(shù)可決定層中每個節(jié)點的輸出形狀。這些非線性關(guān)系很重要，如果沒有它們，模型將等同于單個層。激活函數(shù)有很多，但隱藏層通常使用 ReLU。

隱藏層和神經(jīng)元的理想數(shù)量取決于問題和數(shù)據(jù)集。與機器學(xué)習(xí)的多個方面一樣，選擇最佳的神經(jīng)網(wǎng)絡(luò)形狀需要一定的知識水平和實驗基礎(chǔ)。一般來說，增加隱藏層和神經(jīng)元的數(shù)量通常會產(chǎn)生更強大的模型，而這需要更多數(shù)據(jù)才能有效地進行訓(xùn)練。

模型訓(xùn)練和預(yù)測

在訓(xùn)練和評估階段，我們都需要計算模型的損失。這樣可以衡量模型的預(yù)測結(jié)果與預(yù)期標(biāo)簽有多大偏差，也就是說，模型的效果有多差。我們希望盡可能減小或優(yōu)化這個值，所以我們設(shè)置優(yōu)化策略和損失函數(shù)，以及模型精度的計算方法：

# 設(shè)置模型的相關(guān)參數(shù)：優(yōu)化器，損失函數(shù)和評價指標(biāo)mode
l.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])

接下來與在sklearn中相同，分別調(diào)用fit和predict方法進行預(yù)測即可。

# 模型訓(xùn)練：epochs,訓(xùn)練樣本送入到網(wǎng)絡(luò)中的次數(shù)，batch_size:每次訓(xùn)練的送入到網(wǎng)絡(luò)中的樣本個數(shù)
model.fit(train_X, train_y_ohe, epochs=10, batch_size=1, verbose=1);

上述代碼完成的是：

1. 迭代每個epoch。通過一次數(shù)據(jù)集即為一個epoch。

2. 在一個epoch中，遍歷訓(xùn)練 Dataset 中的每個樣本，并獲取樣本的特征 (x) 和標(biāo)簽 (y)。

3. 根據(jù)樣本的特征進行預(yù)測，并比較預(yù)測結(jié)果和標(biāo)簽。衡量預(yù)測結(jié)果的不準(zhǔn)確性，并使用所得的值計算模型的損失和梯度。

4. 使用 optimizer 更新模型的變量。

5. 對每個epoch重復(fù)執(zhí)行以上步驟，直到模型訓(xùn)練完成。

訓(xùn)練過程展示如下：

Epoch 1/10
75/75 [==============================] - 0s 616us/step - loss: 0.0585 - accuracy: 0.9733
Epoch 2/10
75/75 [==============================] - 0s 535us/step - loss: 0.0541 - accuracy: 0.9867
Epoch 3/10
75/75 [==============================] - 0s 545us/step - loss: 0.0650 - accuracy: 0.9733
Epoch 4/10
75/75 [==============================] - 0s 542us/step - loss: 0.0865 - accuracy: 0.9733
Epoch 5/10
75/75 [==============================] - 0s 510us/step - loss: 0.0607 - accuracy: 0.9733
Epoch 6/10
75/75 [==============================] - 0s 659us/step - loss: 0.0735 - accuracy: 0.9733
Epoch 7/10
75/75 [==============================] - 0s 497us/step - loss: 0.0691 - accuracy: 0.9600
Epoch 8/10
75/75 [==============================] - 0s 497us/step - loss: 0.0724 - accuracy: 0.9733
Epoch 9/10
75/75 [==============================] - 0s 493us/step - loss: 0.0645 - accuracy: 0.9600
Epoch 10/10
75/75 [==============================] - 0s 482us/step - loss: 0.0660 - accuracy: 0.9867

與sklearn中不同，對訓(xùn)練好的模型進行評估時，與sklearn.score方法對應(yīng)的是tf.keras.evaluate()方法，返回的是損失函數(shù)和在compile模型時要求的指標(biāo):

# 計算模型的損失和準(zhǔn)確率
loss, accuracy = model.evaluate(test_X, test_y_ohe, verbose=1)
print("Accuracy = {:.2f}".format(accuracy))

分類器的準(zhǔn)確率為：

3/3 [==============================] - 0s 591us/step - loss: 0.1031 - accuracy: 0.9733
Accuracy = 0.97

到此我們對tf.kears的使用有了一個基本的認知，在接下來的課程中會給大家解釋神經(jīng)網(wǎng)絡(luò)以及在計算機視覺中的常用的CNN的使用。