Keras 簡(jiǎn)介

Keras 是一個(gè)用 Python 編寫(xiě)的高級(jí)神經(jīng)網(wǎng)絡(luò) API，它能夠以 TensorFlow, CNTK, 或者 Theano 作為后端運(yùn)行。Keras 的開(kāi)發(fā)重點(diǎn)是支持快速的實(shí)驗(yàn)。能夠以最小的時(shí)延把你的想法轉(zhuǎn)換為實(shí)驗(yàn)結(jié)果，是做好研究的關(guān)鍵。 ————Keras官方定義

簡(jiǎn)單來(lái)說(shuō)，Keras 是一個(gè)獨(dú)立的、機(jī)器學(xué)習(xí)的高級(jí) API ；而且在 TensorFlow2.0 發(fā)布之時(shí)被包含進(jìn)了 TensorFlow ，因此我們可以在 TensorFlow2.0 及其以后的版本中直接使用 Keras 。

1. Keras 是什么以及它的由來(lái)

Keras 的前身是 Fran?ois Chollet 為 ONEIROS 項(xiàng)目所的編寫(xiě)的代碼，在 2015 年開(kāi)源成為神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)工具。Keras 最初參考了 Torch 的風(fēng)格并且完全由 Python 編寫(xiě)。

Keras 從創(chuàng)建之初到后來(lái)被 TensorFlow 所支持，經(jīng)歷了很多的變化，具體變化如下：

• Keras 最初在 2015 年被開(kāi)源發(fā)布，從誕生之初就被設(shè)計(jì)成為一個(gè)機(jī)器學(xué)習(xí)的高級(jí) API；
• Keras 在 2016 年發(fā)布了第一個(gè)正式版本 1.0.0，意味著進(jìn)入穩(wěn)定版本階段；
• 2017 年 Keras 發(fā)布了 2.0.0 版本并被整合進(jìn) TensorFlow；
• 2018 年在 TensorFlow2.0 公開(kāi)后便被正式確立為 tf.keras 高階 API；
• 直到如今，使用 tf.keras 依然是使用 TensorFlow 構(gòu)建模型的最快捷方式。

也就是說(shuō) Keras 并不是一個(gè)單獨(dú)的框架，他只是一個(gè)高級(jí)的 API 庫(kù)；利用它簡(jiǎn)易和快速的原型設(shè)計(jì)，我們可以根據(jù)其 API 實(shí)現(xiàn)高級(jí)網(wǎng)絡(luò)的構(gòu)建。進(jìn)而使用 TensorFlow 進(jìn)行訓(xùn)練等進(jìn)一步的工作。

而在本課程之中我們所提到的 Keras 都是指的是 TensorFlow 中的 Keras 模塊。

2. tf.Keras 與 TesnorFlow 結(jié)合的優(yōu)勢(shì)

說(shuō)到 Keras 與 TensorFlow1.x 的結(jié)合，就不得不說(shuō)一下 Keras 的特點(diǎn)：

• Keras 基于 Python 發(fā)展而來(lái)，因此它的使用符合 Python 開(kāi)發(fā)者的使用習(xí)慣
• Keras 提供的 API 較為高階，我們可以不用關(guān)心底層的實(shí)現(xiàn)的一些細(xì)節(jié)
• Keras 擁有友好、全面的文檔，我們可以輕松地進(jìn)行學(xué)習(xí)
• 便于使用，得益于高階 API ，我們可以輕松地實(shí)現(xiàn)模型的構(gòu)建與訓(xùn)練
• 擴(kuò)展性好，我們可以使用 TensorFlow 來(lái)擴(kuò)展 Keras ，從而實(shí)現(xiàn)更加定制化的需求

而 TensorFlow 最大的特點(diǎn)就在于快速、快捷，我們能夠以很高的性能實(shí)現(xiàn)一些模型的訓(xùn)練工作。

自 2017 年開(kāi)始，Keras 的大部分組件被整合至 Tensorflow 的 Python API中，但是卻沒(méi)有作為高階 API（tf.keras）整合進(jìn) TensorFlow 之中。因此大多數(shù)工作人員依然采用的是獨(dú)立安裝的 Kears 進(jìn)行高層模型的構(gòu)建，而使用 TensorFlow 作為底層框架進(jìn)行訓(xùn)練。

在 TensorFlow2.x 之中，我們便可以在 TensorFlow 之中使用 Keras ，從而將兩者的優(yōu)勢(shì)互相結(jié)合，一方面我們可以快速的構(gòu)建模型，另外一方面我們也可以進(jìn)行模型的快速訓(xùn)練。

3. 函數(shù)式 API 編程

說(shuō)到 Keras，就不得不說(shuō)一下 TensorFlow2.0 引入的函數(shù)式 API 編程。也就是 Eager Execution。

所謂函數(shù)式 API 編程，通俗來(lái)講就是我們每一個(gè)語(yǔ)句都是通過(guò)函數(shù)的調(diào)用來(lái)實(shí)現(xiàn)的，而這也意味著我們可以摒棄掉某一條語(yǔ)句的下文而單獨(dú)執(zhí)行。

這似乎很符合我們的編程的習(xí)慣，但是在 TensorFlow1.x 之中，并不默認(rèn)支持 Eager Execution 。通常來(lái)講我們?cè)?TensorFlow1.x 之中我們需要首先創(chuàng)建一個(gè) Session，然后才能運(yùn)行程序。

而隨著 Keras 的引入，TesnorFlow 開(kāi)始支持 Eager Execution，也就是說(shuō)我們可以完全采用函數(shù)調(diào)用的方式來(lái)進(jìn)行機(jī)器學(xué)習(xí)的開(kāi)發(fā)。這無(wú)疑大大降低了開(kāi)發(fā)的門(mén)檻，也可以幫助我們更加快捷、方便地進(jìn)行模型的相應(yīng)的工作。

我們可以來(lái)看一下具體代碼的區(qū)別，在 TensorFlow1.x 之中，我們?cè)谟?xùn)練的過(guò)程之中一般采用如下的方式進(jìn)行訓(xùn)練：

with tf.Session() as session:
      session.run(tf.global_variables_initializer())
      session.run(tf.tables_initializer())
      model.fit(X_train, y_train, validation_data=(X_valid, y_valid), epochs=10, batch_size=64)

可以看到，我們首先需要?jiǎng)?chuàng)建一個(gè)會(huì)話（tf.session），然后才能在其中進(jìn)行模型的訓(xùn)練操作。

而在 TensorFlow2.x 之中，我們只需要如下代碼就可以實(shí)現(xiàn)模型的訓(xùn)練：

  model.fit(X_train, y_train, validation_data=(X_valid, y_valid), epochs=10, batch_size=64)

相信通過(guò)代碼的比對(duì)大家就可以輕松地看出 Eager Execution 的優(yōu)勢(shì)：

• 程序流程明了，符合大多數(shù)Python工作者的編碼習(xí)慣；
• 代碼簡(jiǎn)單，方便運(yùn)行時(shí)調(diào)試；
• Eager Execution 提供了更加簡(jiǎn)潔明了的接口，而避免了 session 復(fù)雜易錯(cuò)的接口。

而在以后的學(xué)習(xí)與開(kāi)發(fā)之中，我們都會(huì)通過(guò) Eager Execution 模式來(lái)進(jìn)行。

4. 小結(jié)

TensorFlow 中的 Keras 模塊為一個(gè)新的、易用、快捷的模塊，我們可以依靠 Keras 模塊來(lái)快速地構(gòu)建網(wǎng)絡(luò)。同時(shí)它也擁有著高度的可擴(kuò)展性，我們可以使用 TensorFlow 對(duì)其進(jìn)行輕松的擴(kuò)展；從而大大提升我們的開(kāi)發(fā)效率。