Keras & Tensorflow 笔记

Keras是一个高层神经网络API，Keras由纯Python编写而成并基于Tensorflow、Theano以及CNTK后端。Keras为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

• 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
• 支持CNN和RNN，或二者的结合
• 无缝CPU和GPU切换

有串联式和函数式两种建模方式，串联式建模方式

• 串联式Sequential：

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

• 函数式：

def model_name(input_shape, output_shape):
    inputs = Input(shape = input_shape, dtype = , name = '')
    x = Dense(64 , activation='relu')(inputs)
    x = Dense(64,activation='relu')(x)
    predictions = Dense(output_shape,activation='softmax')(x)

    model = Model(inputs=inputs, outputs=predictions)
    return model

学习一般操作步骤

from keras import Model ……

1. Generate： model = Model(inputs = input, outputs = output)
2. Compile： model.compile(配置优化器，学习率，误差等参数)
3. Fit \ Train： model.fit(X_train, Y_train, (X_dev, Y_dev),metric = [])
4. Evaluate \ test： model.predict(X_test, Y_test) fit和predict函数有返回值的，最好用一个变量来接住，方便查看预测过程中的变量信息history。

Tricks and Snippets

模型可视化

命令行打印：keras自带的summary函数

model.summary()

调用库，打印保存图片

使用方法：

Keras.utils.plot_model plot_model(model,to_file='a.png')

结果如下，还可以保存为pdf等格式

PlotNeuralNet绘制latex风格的网络图

例图：

使用方法：

1. 下载github源文件，安装pycore库，将目录中的python包，拷贝至/usr/local/lib/python3.7/site-packages/pycore/
2. 根据example搭建网络结构的python文件
3. 运行python文件生成filename.tex文件
4. pdflatex filename.tex，此步骤需要提前拷贝源文件layers中sty文件至tex文件目录，用pdflaetx编译需要texlive环境，请提前安装。

model.fit函数调用

这个方法最为硬核，其中mandb还可以横纵向对比多个模型的各个参数，并方便debug和optimize 使用方法：

from rl.callbacks import WandbLogger
import tensorboard
model.fig(巴拉巴拉, callbacks = [函数])

``，在网页localhost可视化

• TensorBoard
• Mandb：callbacks=[WandbLogger()]，需要提前进行wandb初始化并在config中定义需要log的变量。 Tensorboard作者没有去尝试，这里就先贴一张Wandb的可视化结果：

Netron软件

下载安装，导入keras模型.h5即可食用，也支持tf、pytorch等多种模型，界面如下

超参数调节

超参数就是模型权重以外的其他参数，比如层种类，层深度、宽度，优化器类型、学习率大小等等，它们都影响着模型的表现和上限，超参数一动，就是一个新的模型了。但是超参数却没有像构建神经网络一样有可遵照的理论指导，一直以来都是从业人员的难点。 虽然网上已经有很多关于超参数调节的帖子，但大多都为经验之谈，是研究人员在实践中摸索、发现并总结的。就像控制理论里最简单PID调节一样，三个参数就能调的人头大，有些模型遵照经验去调还可能不work。 其实这点早就为我们想到了，作者找到了几个超参数调节器

keras tunner

根据验证集的表现自动优化超参数

keras-lr-finder

使用方法：安装python库keras_lr_finder

代码：引用库，包装模型，绘制结果

import keras_lr_finder

# model is a Keras model
lr_finder = LRFinder(model)

# Train a model with batch size 512 for 5 epochs
# with learning rate growing exponentially from 0.0001 to 1
lr_finder.find(x_train, y_train, start_lr=0.0001, end_lr=1, batch_size=512, epochs=5)

# Plot the loss, ignore 20 batches in the beginning and 5 in the end
lr_finder.plot_loss(n_skip_beginning=20, n_skip_end=5)

# Plot rate of change of the loss
# Ignore 20 batches in the beginning and 5 in the end
# Smooth the curve using simple moving average of 20 batches
# Limit the range for y axis to (-0.02, 0.01)
lr_finder.plot_loss_change(sma=20, n_skip_beginning=20, n_skip_end=5, y_lim=(-0.01, 0.01))

利用scikit-learn交互网格搜索超参数

设置备忘

Keras下载的预训练数据存放目录

root\\.keras\models

错误记录

• 非张量运算变量运算用内置函数，+ - 操作会把张量 转为 Tensorflow，报错
• 实数，不用tf. 或者 K. 函数库运算，报错“张量”
• 张量一定用内置函数，python支持@ + - 等操作，但是偶尔报错