作者：eastmount。

一.为什么要使用Keras

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 。其主要开发者是谷歌工程师François Chollet。

Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。

Keras作为神经网络的高级包，能够快速搭建神经网络，它的兼容性非常广，兼容了TensorFlow和Theano。

二.安装Keras和兼容Backend

1.如何安装Keras

首先需要确保已经安装了以下两个包：

  • Numpy
  • Scipy

调用“pip3 list”命令可以看到相关包已经安装成功。

回归网络训练 用于回归的神经网络_回归网络训练

接着通过“pip3 install keras”安装，作者是使用Anaconda下的Python3.6版本。

activate tensorflow
pip3 install keras
pip install keras

搭建过程详见这篇文章：

 

安装如下图所示：

回归网络训练 用于回归的神经网络_keras_02

回归网络训练 用于回归的神经网络_回归_03

安装成功之后，我们尝试一个简单的代码。打开Anaconda，然后选择已经搭建好的“tensorflow”环境，运行Spyder。

回归网络训练 用于回归的神经网络_神经网络_04

测试代码如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Feb 14 16:43:21 2020
@author: Eastmount CSDN
"""
import numpy as np
from keras.preprocessing.sequence import TimeseriesGenerator

# 时间序列
y = np.array(range(5))
tg = TimeseriesGenerator(y, y, length=3, sampling_rate=1)
for i in zip(*tg[0]):
    print(*i)

运行结果如下图所示，究竟“Using TensorFlow backend.”表示什么意思呢？

回归网络训练 用于回归的神经网络_回归_05

2.兼容Backend

Backend是指Keras基于某个框架来做运算，包括基于TensorFlow或Theano，上面的那段代码就是使用TensorFlow来运算的。后面要讲解的神经网络也是基于TensorFlow或Theano来搭建的。

如何查看Backend呢？当我们导入Keras扩展包时，它就会有相应的提示，比如下图使用的就是Theano来搭建底层的神经网络。

回归网络训练 用于回归的神经网络_神经网络_06

如果想要改成TensorFlow，怎么办呢？

  • 第一种方法，找到“keras/keras.json”这个文件，然后打开它。所有的backend信息就存储在这里，每次导入Keras包就会检测这个“keras.json”文件的backend。接着我们尝试修改。

回归网络训练 用于回归的神经网络_回归网络训练_07

回归网络训练 用于回归的神经网络_神经网络_08

  • 第二种方法是在命令行中输入下面这句命令，每次运行脚本时它会直接帮你修改成临时的TensorFlow。
import os
os.environ['KERAS_BACKEND']='tensorflow'
import keras

三.白话神经网络

该部分还是有必要再给大家普及一遍，参考"莫烦大神"网易云课程对神经网络的介绍，讲得清晰透彻，推荐大家阅读。开始吧！让我们一起进入神经网络和TensorFlow的世界。

回归网络训练 用于回归的神经网络_回归网络训练_09

首先，什么是神经网络（Neural Networks）？

计算机神经网络是一种模仿生物神经网络或动物神经中枢，特别是大脑的结构和功能，它是一种数学模型或计算机模型。神经网络由大量的神经元连接并进行计算，大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应的过程。

现代神经网络是一种基于传统统计学建模的工具，常用来对输入和输出间复杂的关系进行建模，或探索数据间的模式，神经网络是一种运算模型，有大量的节点或神经元及其联系构成。和人类的神经元一样，它们负责传递信息和加工信息，神经元也能被训练或强化，形成固定的神经形态，对特殊的信息有更强烈的反应。

回归网络训练 用于回归的神经网络_回归_10

神经网络是如何工作的呢？

如上图所示，不管这是一只跳跃飞奔的猫，或是一只静静思考的猫，你都知道它是一只猫，因为你的大脑已经被告知过圆眼睛、毛茸茸、尖耳朵的就是猫，你通过成熟的视觉神经系统判断它是猫。计算机也是一样，通过不断的训练，告诉哪些是猫、哪些是狗、哪些是猪，它们会通过数学模型来概括这些学习的判断，最终以数学的形式（0或1）来分类。目前，谷歌、百度图片搜索都能清晰识别事物，这些都归功于计算机神经系统的飞速发展。

神经网络系统由多层神经层构成，为了区分不同的神经层，我们分为：

  • 输入层：直接接收信息的神经层，比如接收一张猫的图片
  • 输出层：信息在神经元中传递中转和分析权衡，形成输出结果，通过该层输出的结果可以看出计算机对事物的认知
  • 隐藏层：在输入和输出层之间的众多神经元连接组成的各个层面，可以有多层，负责对传入信息的加工处理，经过多层加工才能衍生出对认知的理解

回归网络训练 用于回归的神经网络_python_11

神经网络举例说明

如下图所示，通常来说，计算机处理的东西和人类有所不同，无论是声音、图片还是文字，它们都只能以数字0或1出现在计算机神经网络里。神经网络看到的图片其实都是一堆数字，对数字的加工处理最终生成另一堆数字，并且具有一定认知上的意义，通过一点点的处理能够得知计算机到底判断这张图片是猫还是狗。

回归网络训练 用于回归的神经网络_神经网络_12

计算机是怎么训练的呢？

首先，需要很多的数据，比如需要计算机判断是猫还是狗，就需要准备上千万张有标记的图片，然后再进行上千万次的训练。计算机通过训练或强化学习判断猫，将获取的特征转换为数学的形式。

回归网络训练 用于回归的神经网络_keras_13

我们需要做的就是只给计算机看图片，然后让它给我们一个不成熟也不准确的答案，有可能100次答案中有10%是正确的。如果给计算机看图片是一张飞奔的猫（如下图），但计算机可能识别成一条狗，尽管它识别错误，但这个错误对计算机是非常有价值的，可以用这次错误的经验作为一名好老师，不断学习经验。

回归网络训练 用于回归的神经网络_python_14

那么计算机是如何学习经验的呢？

它是通过对比预测答案和真实答案的差别，然后把这种差别再反向传递回去，修改神经元的权重，让每个神经元向正确的方向改动一点点，这样到下次识别时，通过所有改进的神经网络，计算机识别的正确率会有所提高。最终每一次的一点点，累加上千万次的训练，就会朝正确的方向上迈出一大步。

回归网络训练 用于回归的神经网络_回归_15

最后到验收结果的时候，给计算机再次显示猫的图片时，它就能正确预测这是一只猫。

回归网络训练 用于回归的神经网络_回归_16

激励函数是什么东东？

接着再进一步看看神经网络是怎么训练的。原来在计算机里每一个神经元都有属于它的激励函数（Active Function），我们可以利用这些激励函数给计算机一个刺激行为。当我们第一次给计算机看一只飞奔的猫时，神经网络中只有部分神经元被激活或激励，被激活传递下去的信息是计算机最为重视的信息，也是对输出结果最有价值的信息。

回归网络训练 用于回归的神经网络_回归_17

如果预测的结果是一只狗，所有神经元的参数就会被调整，这时有一些容易被激活的神经元就会变得迟钝，而另一些会变得敏感起来，这就说明了所有神经元参数正在被修改，变得对图片真正重要的信息敏感，从而被改动的参数就能渐渐预测出正确的答案，它就是一只猫。这就是神经网络的加工过程。

回归网络训练 用于回归的神经网络_回归网络训练_18

四.Keras搭建回归神经网络

推荐前文：[Python人工智能] 二.TensorFlow基础及一元直线预测案例，最终输出的结果如下图所示：

回归网络训练 用于回归的神经网络_keras_19

1.导入扩展包

Sequential（序贯模型）表示按顺序建立模型，它是最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。Dense是layers中的属性，表示全连接层。Keras还可以实现各种层，包括core核心层、Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

2.创建散点图数据

通过numpy.linspace随机生成200个散点，并构建y=0.5*x+2的虚拟数据，并调用 np.random.normal(0, 0.05, (200,)) 增加噪声。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

#---------------------------创建散点数据---------------------------
# 输入
X = np.linspace(-1, 1, 200)
# 随机化数据
np.random.shuffle(X)
# 输出
y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪声平均值0 方差0.05
# 绘制散点图
plt.scatter(X, y)
plt.show()

# 数据集划分(训练集-测试集)
X_train, y_train = X[:160], y[:160]  # 前160个散点
X_test, y_test = X[160:], y[160:]    # 后40个散点

这里通过matplotlib简单绘制散点图，输出结果如下图所示，基本满足：y = 0.5*x + 2 + noise。

回归网络训练 用于回归的神经网络_回归_20

3.添加神经网络层

  • 创建Sequential模型。
  • 添加神经网络层。在Keras中，增加层的操作非常简单，调用model.add(Dense(output_dim=1, input_dim=1))函数添加即可。注意，如果再添加一个神经层，默认上一层的输出为下一层的输入数据，此时不需要定义input_dim，比如model.add(Dense(output_dim=1, ))。
  • 搭建模型并选择损失函数(loss function)和优化方法(optimizing method)。
#----------------------------添加神经层------------------------------
# 创建模型
model = Sequential()

# 增加全连接层 输出个数和输入个数(均为1个)
model.add(Dense(output_dim=1, input_dim=1)) 

# 搭建模型 选择损失函数(loss function)和优化方法(optimizing method)
# mse表示二次方误差 sgd表示乱序梯度下降优化器
model.compile(loss='mse', optimizer='sgd')

PS：是不是感觉Keras代码比TensorFlow和Theano都简洁很多，但还是建议大家先学习前者，再深入Keras。

4.训练并输出误差

print("训练")
# 学习300次
for step in range(301):
    # 分批训练数据 返回值为误差
    cost = model.train_on_batch(X_train, y_train)
    # 每隔100步输出误差
    if step % 100 == 0:
        print('train cost:', cost)

5.测试神经网络并输出误差\权重和偏置

print("测试")
# 运行模型测试 一次传入40个测试散点
cost = model.evaluate(X_test, y_test, batch_size=40)
# 输出误差
print("test cost:", cost)
# 获取权重和误差 layers[0]表示第一个神经层(即Dense)
W, b = model.layers[0].get_weights()
# 输出权重和偏置
print("weights:", W)
print("biases:", b)

6.绘制预测图形

y_pred = model.predict(X_test)
plt.scatter(X_test, y_test)
plt.plot(X_test, y_pred)
plt.show()

输出结果如下所示：

回归网络训练 用于回归的神经网络_keras_19

误差从4.002261下降到0.0030148015，说明学习到知识。同时，误差为0.47052705接近我们的初始值0.5，偏置为1.9944116也接近2。

训练
train cost: 4.002261
train cost: 0.07719966
train cost: 0.005076804
train cost: 0.0030148015
测试
40/40 [==============================] - 0s 1ms/step
test cost: 0.0028453178238123655
weights: [[0.47052705]]
biases: [1.9944116]

完整代码如下：


import numpy as np
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

#---------------------------创建散点数据---------------------------
# 输入
X = np.linspace(-1, 1, 200)
# 随机化数据
np.random.shuffle(X)
# 输出
y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪声平均值0 方差0.05
# 绘制散点图
# plt.scatter(X, y)
# plt.show()

# 数据集划分(训练集-测试集)
X_train, y_train = X[:160], y[:160]  # 前160个散点
X_test, y_test = X[160:], y[160:]    # 后40个散点

#----------------------------添加神经层------------------------------
# 创建模型
model = Sequential()

# 增加全连接层 输出个数和输入个数(均为1个)
model.add(Dense(output_dim=1, input_dim=1)) 

# 搭建模型 选择损失函数(loss function)和优化方法(optimizing method)
# mse表示二次方误差 sgd表示乱序梯度下降优化器
model.compile(loss='mse', optimizer='sgd')

#--------------------------------Traning----------------------------
print("训练")
# 学习300次
for step in range(301):
    # 分批训练数据 返回值为误差
    cost = model.train_on_batch(X_train, y_train)
    # 每隔100步输出误差
    if step % 100 == 0:
        print('train cost:', cost)

#--------------------------------Test-------------------------------
print("测试")
# 运行模型测试 一次传入40个测试散点
cost = model.evaluate(X_test, y_test, batch_size=40)
# 输出误差
print("test cost:", cost)
# 获取权重和误差 layers[0]表示第一个神经层(即Dense)
W, b = model.layers[0].get_weights()
# 输出权重和偏置
print("weights:", W)
print("biases:", b)

#------------------------------绘制预测图形-----------------------------
y_pred = model.predict(X_test)
plt.scatter(X_test, y_test)
plt.plot(X_test, y_pred, "red")
plt.show()

下面补充代码对比各训练阶段拟合的直线，可以看到随着训练次数增加，误差逐渐降低并且拟合的直线越来越好。

回归网络训练 用于回归的神经网络_神经网络_22

# -*- coding: utf-8 -*-
"""
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

#---------------------------创建散点数据---------------------------
# 输入
X = np.linspace(-1, 1, 200)
# 随机化数据
np.random.shuffle(X)
# 输出
y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪声平均值0 方差0.05
# 绘制散点图
# plt.scatter(X, y)
# plt.show()

# 数据集划分(训练集-测试集)
X_train, y_train = X[:160], y[:160]  # 前160个散点
X_test, y_test = X[160:], y[160:]    # 后40个散点

#----------------------------添加神经层------------------------------
# 创建模型
model = Sequential()

# 增加全连接层 输出个数和输入个数(均为1个)
model.add(Dense(output_dim=1, input_dim=1)) 

# 搭建模型 选择损失函数(loss function)和优化方法(optimizing method)
# mse表示二次方误差 sgd表示乱序梯度下降优化器
model.compile(loss='mse', optimizer='sgd')

#--------------------------------Traning----------------------------
print("训练")
k = 0
# 学习1000次
for step in range(1000):
    # 分批训练数据 返回值为误差
    cost = model.train_on_batch(X_train, y_train)
    # 每隔100步输出误差
    if step % 100 == 0:
        print('train cost:', cost)
 
        #-----------------------------------------------------------
        # 运行模型测试 一次传入40个测试散点
        cost = model.evaluate(X_test, y_test, batch_size=40)
        # 输出误差
        print("test cost:", cost)
        # 获取权重和误差 layers[0]表示第一个神经层(即Dense)
        W, b = model.layers[0].get_weights()
        # 输出权重和偏置
        print("weights:", W)
        print("biases:", b)

        #-----------------------------------------------------------
        # 可视化绘图
        k = k + 1
        plt.subplot(5, 2, k)
        y_pred = model.predict(X_test)
        plt.scatter(X_test, y_test)
        plt.plot(X_test, y_pred, "red", label='cost=%.4f k=%d' %(cost,k))
        plt.legend()

plt.show()