涛哥文集（29）：Keras的R接口

Keras是开发的高级神经网络API，其重点是实现快速实验。能够以最小的延迟将想法付诸实践是进行良好研究的关键。 Keras具有以下主要功能：

• 允许相同的代码无缝地在CPU或GPU上运行。
• 用户友好的API，可轻松快速实现深度学习模型的原型。
• 内置支持卷积网络（用于计算机视觉），循环网络（用于序列处理）以及二者的任意组合。
• 支持任意网络架构：多输入或多输出模型，层共享，模型共享等。这意味着Keras基本上适合构建从内存网络到神经图灵机的任何深度学习模型。
• 能够在多个后端（包括TensorFlow，CNTK或Theano）上运行。

有关该项目的更多信息，请参见Keras主网站。该网站提供有关Keras的R接口的文档。网址为https://keras.io。

入门

安装

首先，从GitHub安装keras R软件包，如下所示：

<code>devtools :: install_github（“rstudio / keras”）/<code>

默认情况下，Keras R接口使用TensorFlow后端引擎。要安装核心Keras库和TensorFlow后端，请使用install_keras()函数：

<code>library(keras)
install_keras()/<code>

这将为您提供Keras和TensorFlow的基于CPU的默认安装。 如果您想进行更多定制的安装，例如 如果要利用NVIDIA GPU，请参阅install_keras()的文档。

学习Keras

下面，我们通过一个简单的示例使用Keras从MNIST数据集中识别手写数字。 熟悉基础知识后，请查看本网站上可用的教程和其他学习资源。

FrançoisChollet（Keras的创建者）的《R深度学习》一书对Keras以及深度学习的概念和实践进行了更全面的介绍。

您可能还会发现下载带有Keras的深度学习备忘单很方便，这是对Keras所有功能的快速高级参考。

MNIST示例

我们可以通过简单的示例来学习Keras的基础知识：从MNIST数据集中识别手写数字。 MNIST由28*28手写数字的灰度图像组成，如下所示：

数据集还包括每个图像的标签，告诉我们它是哪个数字。 例如，以上图像的标签为5、0、4和1。

准备数据

MNIST数据集包含在Keras中，并且可以使用dataset_mnist()函数进行访问。 在这里，我们加载数据集，然后为我们的测试和训练数据创建变量：

<code>library(keras)
mnist /<code>

x数据是灰度值的3维数组（图像，宽度，高度）。 为了准备训练数据，我们通过将宽度和高度重塑为一个维度来将3维数组转换为矩阵（将28x28图像展平为长度784个向量）。 然后，我们将灰度值从0到255之间的整数转换为0到1之间的浮点值：

<code># reshape
x_train /<code>

请注意，我们使用array_reshape()函数而不是dim

y数据是一个整数矢量，其值的范围从0到9。为了准备训练数据，我们使用Keras to_categorical()函数将这些矢量一元编码为二进制类矩阵：

<code>y_train /<code> 

定义模型

Keras的核心数据结构是一个模型，是组织层的一种方式。最简单的模型类型是顺序模型，即层的线性堆栈。

我们首先创建一个顺序模型，然后使用管道（%>%）运算符添加层：

<code>model % 
  layer_dense(units = 256, activation = 'relu', input_shape = c(784)) %>% 
  layer_dropout(rate = 0.4) %>% 
  layer_dense(units = 128, activation = 'relu') %>%
  layer_dropout(rate = 0.3) %>%
  layer_dense(units = 10, activation = 'softmax')/<code>

第一层的input_shape参数指定输入数据的形状（代表灰度图像的长度784的数字矢量）。 最后一层使用softmax激活函数输出长度为10的数字矢量（每个数字的概率）。

使用summary()函数可打印模型的详细信息：

<code>summary(model)/<code>

接下来，使用适当的损失函数，优化器和指标来编译模型：

<code>model %>% compile(
  loss = 'categorical_crossentropy',
  optimizer = optimizer_rmsprop(),
  metrics = c('accuracy')
)/<code>

训练与评估

使用fit()函数可以使用每批128个图像30个epochs的规模来训练模型：

<code>history % fit(
  x_train, y_train, 
  epochs = 30, batch_size = 128, 
  validation_split = 0.2
)/<code>

fit()返回的历史记录对象包括损失和准确性指标，我们可以绘制它们：

<code>plot(history)/<code>

根据测试数据评估模型的性能：

<code>model %>% evaluate(x_test, y_test)
$loss
[1] 0.1149
$acc
[1]0.9807/<code>

生成关于新数据的预测：

<code>model %>% predict_classes(x_test)/<code>

Keras为构建深度学习模型提供了简单，优雅和直观的词汇。 建立问题回答系统，图像分类模型，神经图灵机或任何其他模型同样简单。

书籍Deep Learning with R

如果您想对Keras以及深度学习的概念和实践进行更全面的介绍，我们建议您从Manning那里获得Deep Learning with R这本书。 这本书是Keras的创作者FrançoisChollet与J.J. Allaire，他为Keras编写了R接口。需要的同志可以私信我，留下邮箱。

该书假定没有任何有关机器学习和深度学习的知识，并且从基础理论一直到高级实际应用，并且都使用了与Keras的R接口。

为什么叫Keras？

Keras（κέρας）在希腊语中是指号角。它是对古希腊和拉丁文学作品中的文学意象的参考，最早出现在奥德赛，梦中的精神（奥涅罗伊，奇异的奥涅罗伊斯）被划分为那些用虚假的眼神欺骗人，通过象牙门到达地球的人，以及那些宣布将要过去的未来的人们，他们是通过号角之门到达的。这是关于κέρας（角）/κραίνω（充填）和ἐλέφας（象牙）/ἐλεφαίρομαι（欺骗）的戏剧。

Keras最初是作为ONEIROS（开放式神经电子智能机器人操作系统）项目研究工作的一部分而开发的。

“ Oneiroi超出了我们的解释范围，谁能确定他们讲的是什么故事？并非所有男人想要的东西都成为现实。那里有两个大门可以通向转瞬即逝的奥尼罗伊；一种是由牛角制成，一种是象牙制成。穿过锯齿象牙的奥涅罗伊人是骗人的，带有无法实现的信息。那些从打磨的角出来的人背后有真理，要为看见它们的人成就。”荷马·奥德赛19.562 ff（Shewring翻译）。