3.7 机器学习深度库Keras

Keras是基于Theano和TensorFlow的深度学习库，以及是一个高层神经网络API。Keras由纯Python编写，使用TensorFlow、Theano以及CNTK作为后端。Keras具有高度模块化、简单性、支持CNN和RNN及可扩充等特性，Keras能够简易和快速地进行原型设计。Keras中文主页：https://keras.io/zh/，如图3-36所示。

Keras被工业界和学术界广泛采用，与其他任何深度学习框架相比，Keras在行业和研究领域的应用率更高，且Keras API是TensorFlow的官方前端，如图3-37所示。

Keras具有如下优点。

（1）Keras已经包含许多经典的学习模型，例如VGG16、VGG19、ResNet50、Inception V3等，位于“keras.applications”的包中，如图3-38所示。

（2）Keras提供一致而简洁的API，方便用户使用。

（3）Keras提供模块组合使用，例如网络层、损失函数、优化器、初始化策略、激活函数、正则化方法等独立模块，可以使用它们来构建自己的模型。

（4）Keras具有易扩展性。添加新的模块很容易，由于能够轻松地创建可以提高表现力的新模块，Keras更适合高级研究。

（5）与Python融合。Keras没有特定格式的单独配置文件，模型定义在Python代码中，易于调试，且易于扩展。

Keras中提供的学习模型主要有两种：序列（Sequential）和函数式（Functional）模型。

1.序列模型

序列模型是函数式模型的简略版，简顺序结构的单线性模型，是多个网络层的线性堆叠。Keras中有很多层，包括核心层（Core）、卷积层（Convolution）、池化层（Pooling）、全连接层（fully connected layers）等，序列模型可以堆叠这些层。

序列模型的使用说明如下。

2.函数式（Functional）模型

Keras函数式模型是最广泛的一类模型，序列（Sequential）模型只是它的一种特殊情况。函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径，函数式模型更灵活。

Keras函数式模型的使用方法如下。

（1）建立模型：model=Model(inputs=a, outputs=b)。

（2）载入模型：model=keras . models . load_model( filepath )。

（3）模型编译：model.compile(loss, optimizer)。

（4）模型训练：model.fit(x_train,y_train,epochs,batch_size,verbose=1,validation_data,callbacks=None)。

（5）模型保存：model.save(filepath="*.h5", includeoptimizer=False)。

（6）模型预测：model.predict(data)。

（7）模型评价：model.evaluate(x_test, y_test, batch_size)。

3.7.1 Keras的安装

Keras的pip安装命令为pip install keras，如图3-39所示。

Keras在PyCharm中的安装方法是在主界面选择菜单命令“File＞Setting”，打开Settings窗口，操作如图3-40所示。

在深度学习过程中，要想输出Keras神经网络模型的模型图，需要安装Pydot和Graphviz模块。Pydot主页：https://pypi.org/project/pydot/。Graphviz主页：https://graphviz.gitlab.io。Pydot和Graphviz的安装方法如图3-41所示。

3.7.2 Keras的深度学习方式

Keras是一种高级的深度学习API，它的运行需要许多底层库的支持，这些库被用作后端，例如TensorFlow、Theano、CNTK等。Keras的深度学习过程如图3-42所示。

Keras可以使用已经包含的模型进行深度学习，因为Keras已经包含许多经典的学习模型，例如基于ImageNet（ImageNet数据集包含约1500万张图片，22000个类别）训练好的图像模型VGG16、VGG19、ResNet50、Inception V3等，使用这些模型可以简化学习过程。

下面是使用ResNet50模型进行图像分类的实例，代码如下。

程序运行输出结果如图3-43所示。