对比学习用 Keras 搭建 CNN RNN 等常用神经网络

Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包, 用他来组件一个神经网络更加快速, 几条语句就搞定了. 而且广泛的兼容性能使 Keras 在 Windows 和 MacOS 或者 Linux 上运行无阻碍.

今天来对比学习一下用 Keras 搭建下面几个常用神经网络：

回归
RNN回归
分类
CNN分类
RNN分类
自编码分类

它们的步骤差不多是一样的：

[导入模块并创建数据]
[建立模型]
[定义优化器]
[激活模型]
[训练模型]
[检验模型]
[可视化结果]

为了对比学习，用到的数据也差不多是一样的，
所以本文只把注意力放在 2. [建立模型] 上面，其它步骤大同小异，可以去参考里提到的教学网站观看或者直接看源代码。

1. 回归

目的是对一组数据进行拟合。

1. 用 Sequential 建立 model
2. 再用 model.add 添加神经层，添加的是 Dense 全连接神经层。

参数有两个，一个是输入数据和输出数据的维度，本代码的例子中 x 和 y 是一维的。

如果需要添加下一个神经层的时候，不用再定义输入的纬度，因为它默认就把前一层的输出作为当前层的输入。在这个例子里，只需要一层就够了。

# build a neural network from the 1st layer to the last layer

model = Sequential()

model.add(Dense(output_dim=1, input_dim=1))

2. RNN回归

我们要用 sin 函数预测 cos 数据，会用到 LSTM 这个网络。

RNN vs LSTM

1. 搭建模型，仍然用 Sequential。
2. 然后加入 LSTM 神经层。

batch_input_shape 就是在后面处理批量的训练数据时它的大小是多少，有多少个时间点，每个时间点有多少个数据。
output_dim 意思是 LSTM 里面有二十个 unit。
return_sequences 意思是在每个时间点，要不要输出output，默认的是 false，现在我们把它定义为 true。如果等于 false，就是只在最后一个时间点输出一个值。
stateful，默认的也是 false，意义是批和批之间是否有联系。直观的理解就是我们在读完二十步，第21步开始是接着前面二十步的。也就是第一个 batch中的最后一步与第二个 batch 中的第一步之间是有联系的。

3. 有个不同点是 TimeDistributed。

在上一个回归问题中，我们是直接加 Dense 层，因为只在最后一个输出层把它变成一个全连接层。
今天这个问题是每个时间点都有一个 output，那需要 dense 对每一个 output 都进行一次全连接的计算。

model = Sequential()

# build a LSTM RNN

model.add(LSTM(

    batch_input_shape=(BATCH_SIZE, TIME_STEPS, INPUT_SIZE),       # Or: input_dim=INPUT_SIZE, input_length=TIME_STEPS,

    output_dim=CELL_SIZE,

    return_sequences=True,      # True: output at all steps. False: output as last step.

    stateful=True,              # True: the final state of batch1 is feed into the initial state of batch2

))

# add output layer

model.add(TimeDistributed(Dense(OUTPUT_SIZE)))

adam = Adam(LR)

model.compile(optimizer=adam,

              loss='mse',)

3. 分类

数据用的是 Keras 自带 MNIST 这个数据包，再分成训练集和测试集。x 是一张张图片，y 是每张图片对应的标签，即它是哪个数字。

简单介绍一下相关模块：

models.Sequential，用来一层一层一层的去建立神经层；
layers.Dense 意思是这个神经层是全连接层。
layers.Activation 激活函数。
optimizers.RMSprop 优化器采用 RMSprop，加速神经网络训练方法。

import numpy as np

np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist

from keras.utils import np_utils

from keras.models import Sequential

from keras.layers import Dense, Activation

from keras.optimizers import RMSprop

在回归网络中用到的是 model.add 一层一层添加神经层，今天的方法是直接在模型的里面加多个神经层。好比一个水管，一段一段的，数据是从上面一段掉到下面一段，再掉到下面一段。

第一段就是加入 Dense 神经层。32 是输出的维度，784 是输入的维度。
第一层传出的数据有 32 个feature，传给激活单元.
激活函数用到的是 relu 函数。
经过激活函数之后，就变成了非线性的数据。
然后再把这个数据传给下一个神经层，这个 Dense 我们定义它有 10 个输出的 feature。同样的，此处不需要再定义输入的维度，因为它接收的是上一层的输出。
接下来再输入给下面的 softmax 函数，用来分类。

# Another way to build your neural net

model = Sequential([

    Dense(32, input_dim=784),

    Activation('relu'),

    Dense(10),

    Activation('softmax'),

])

4. CNN分类

CNN

数据仍然是用 mnist。

1. 建立网络第一层，建立一个 Convolution2D，参数有 filter 的数量。

filter 就是滤波器，用32个滤波器扫描同一张图片，每个滤波器会总结出一个 feature。每个滤波器会生成一整张图片，有32个滤波器就会生成32张代表不同特征的图片，
nb_row nb_col 代表这个滤波器有多少行多少列。
border_mode 代表这个滤波器在过滤时候用什么方式，这里我们用 same。
因为是第一层，所以需要定义输入数据的维度，1, 28, 28 就是图片图片的维度。
滤波器完成之后，会生成32层的数据，但是图片的长和宽是不变的，仍然是28×28。
之后再加一个 relu 激活函数。

# Another way to build your CNN

model = Sequential()

# Conv layer 1 output shape (32, 28, 28)

model.add(Convolution2D(

    nb_filter=32,

    nb_row=5,

    nb_col=5,

    border_mode='same',     # Padding method

    dim_ordering='th',      # if use tensorflow, to set the input dimension order to theano ("th") style, but you can change it.

    input_shape=(1,         # channels

                 28, 28,)    # height & width

))

model.add(Activation('relu'))

2. Pooling 是一个向下取样的过程.
它可以缩小生成出来的长和宽，高度不需要被压缩。

pool_size 是向下取样的时候，考虑多长多宽的图片。
strides 步长，是取完一个样之后要跳几步再取样，再跳几步再取样。

# Pooling layer 1 (max pooling) output shape (32, 14, 14)

model.add(MaxPooling2D(

    pool_size=(2, 2),

    strides=(2, 2),

    border_mode='same',    # Padding method

))

3. 接下来建立第二个神经层

有 64 个 filter，5, 5 的长宽，再跟着一个激活函数。
再跟着一个 MaxPooling2D 取样。

# Conv layer 2 output shape (64, 14, 14)

model.add(Convolution2D(64, 5, 5, border_mode='same'))

model.add(Activation('relu'))

# Pooling layer 2 (max pooling) output shape (64, 7, 7)

model.add(MaxPooling2D(pool_size=(2, 2), border_mode='same'))

4. 接下来进入全联接层

用 Flatten 把卷出来的三维的层，抹平成二维的。
接下来就加一个 Dense 全联接层，抹平就是为了可以把这一个一个点全连接成一个层.
接着再加一个激活函数。

# Fully connected layer 1 input shape (64 * 7 * 7) = (3136), output shape (1024)

model.add(Flatten())

model.add(Dense(1024))

model.add(Activation('relu'))

5. 在第二个全连接层，输出 10 个 unit, 用 softmax 作为分类。

# Fully connected layer 2 to shape (10) for 10 classes

model.add(Dense(10))

model.add(Activation('softmax'))

5. RNN分类

RNN分类

RNN 是一个序列化的神经网，我们处理图片数据的时候，也要以序列化的方式去考虑。
图片是由一行一行的像素组成，我们就一行一行地去序列化地读取数据。最后再进行一个总结，来决定它到底是被分辨成哪一类。

用到的参数含义：

TIME_STEPS 是要读取多少个时间点的数据，如果一次读一行需要读28次。
INPUT_SIZE 每次每一行读取多少个像素。
BATCH_SIZE 每一批训练多少张。
BATCH_INDEX 用来生成数据。
OUTPUT_SIZE 分类结果的长度，0到9，所以长度为 10。
CELL_SIZE 网络中隐藏层要放多少个 unit。
LR 是学习率。

1. 用 Sequential 建立模型，就是一层一层地加上神经层。

# build RNN model

model = Sequential()

2. 加上 SimpleRNN。
batch_input_shape 就是在后面处理批量的训练数据时它的大小是多少，有多少个时间点，每个时间点有多少个像素。

# RNN cell

model.add(SimpleRNN(

    # for batch_input_shape, if using tensorflow as the backend, we have to put None for the batch_size.

    # Otherwise, model.evaluate() will get error.

    batch_input_shape=(None, TIME_STEPS, INPUT_SIZE),       # Or: input_dim=INPUT_SIZE, input_length=TIME_STEPS,

    output_dim=CELL_SIZE,

    unroll=True,

))

3. 加 Dense 输出层。
输出 output 长度为 10，接着用 softmax 激活函数用于分类。

# output layer

model.add(Dense(OUTPUT_SIZE))

model.add(Activation('softmax'))

4. 在训练的时候有一个小技巧，就是怎么去处理批量。
输出结果时每 500 步输出一下测试集的准确率和损失。

需要用到 BATCH_INDEX，一批批地截取数据，下一批的时候，这个 BATCH_INDEX 就需要累加，后面的时间点和步长没有变化都是28。
y 的批量和 x 的处理是一样的，只不过 y 只有二维，所以它只有两个参数。

后面有一个判断语句，如果这个 index 大于训练数据的总数，index 就变为 0，再从头开始一批批处理。

# training

for step in range(4001):

    # data shape = (batch_num, steps, inputs/outputs)

    X_batch = X_train[BATCH_INDEX: BATCH_INDEX+BATCH_SIZE, :, :]

    Y_batch = y_train[BATCH_INDEX: BATCH_INDEX+BATCH_SIZE, :]

    cost = model.train_on_batch(X_batch, Y_batch)

    BATCH_INDEX += BATCH_SIZE

    BATCH_INDEX = 0 if BATCH_INDEX >= X_train.shape[0] else BATCH_INDEX

    if step % 500 == 0:

        cost, accuracy = model.evaluate(X_test, y_test, batch_size=y_test.shape[0], verbose=False)

        print('test cost: ', cost, 'test accuracy: ', accuracy)

6. 自编码分类

自编码

自编码，简单来说就是把输入数据进行一个压缩和解压缩的过程。
原来有很多 Feature，压缩成几个来代表原来的数据，解压之后恢复成原来的维度，再和原数据进行比较。

做的事情是把 datasets.mnist 数据的 28×28＝784 维的数据，压缩成 2 维的数据，然后在一个二维空间中可视化出分类的效果。

模型结构：

encoding_dim，要压缩成的维度。

# in order to plot in a 2D figure

encoding_dim = 2

# this is our input placeholder

input_img = Input(shape=(784,))

建立 encoded 层和 decoded 层，再用 autoencoder 把二者组建在一起。训练时用 autoencoder 层。

1. encoded 用4层 Dense 全联接层
激活函数用 relu，输入的维度就是前一步定义的 input_img。
接下来定义下一层，它的输出维度是64，输入是上一层的输出结果。
在最后一层，我们定义它的输出维度就是想要的 encoding_dim＝2。

2. 解压的环节，它的过程和压缩的过程是正好相反的。
相对应层的激活函数也是一样的，不过在解压的最后一层用到的激活函数是 tanh。因为输入值是由 -0.5 到 0.5 这个范围，在最后一层用这个激活函数的时候，它的输出是 -1 到 1，可以是作为一个很好的对应。

# encoder layers

encoded = Dense(128, activation='relu')(input_img)

encoded = Dense(64, activation='relu')(encoded)

encoded = Dense(10, activation='relu')(encoded)

encoder_output = Dense(encoding_dim)(encoded)

# decoder layers

decoded = Dense(10, activation='relu')(encoder_output)

decoded = Dense(64, activation='relu')(decoded)

decoded = Dense(128, activation='relu')(decoded)

decoded = Dense(784, activation='tanh')(decoded)

# construct the autoencoder model

autoencoder = Model(input=input_img, output=decoded)

接下来直接用 Model 这个模块来组建模型
输入就是图片，输出是解压的最后的结果。

# construct the encoder model for plotting

encoder = Model(input=input_img, output=encoder_output)

当我们想要看由 784 压缩到 2维后，这个结果是什么样的时候，也可以只单独组建压缩的板块，此时它的输入是图片，输出是压缩环节的最后结果。

最后分类的可视化结果：