开始与Keras

准备数据

MNIST数据集包含在Keras中，可以使用dataset_mnist ()函数。在这里，我们加载数据集，然后为测试和训练数据创建变量:

图书馆(keras)mnist < -dataset_mnist（）x_train < -mnist＄火车＄xy_train < -mnist＄火车＄yx_test < -mnist＄测验＄xy_test < -mnist＄测验＄y

的x数据是一个三维数组(图片、宽度、高度)灰度值的。为了准备训练数据，我们将3-d阵列转换为矩阵，方法是将宽度和高度重构为单个维度(28x28图像被平化为长度为784的向量)。然后，我们将灰度值从0到255的整数转换为0到1的浮点值:

#重塑x_train < -array_reshape(x_trainc（nrow(x_train),784）)x_test < -array_reshape(x_testc（nrow(x_test),784）)#重新调节x_train < -x_train/255x_test < -x_test/255

注意，我们使用array_reshape ()函数，而不是昏暗的< - ()函数对数组进行重构。这样就可以使用行主语义(与R默认的列主语义相反)重新解释数据，这又与Keras调用的数字库解释数组维的方式兼容。

的y数据为整数向量，取值范围为0 ~ 9。为培训准备这些数据在一个炎热的编码利用Keras将向量转化为二元类矩阵to_categorical ()功能:

y_train < -to_categorical(y_train10）y_test < -to_categorical(y_test10）

定义模型

Keras的核心数据结构是一个模型，一种组织层的方式。最简单的模型类型是顺序模型，层的线性堆叠。

我们首先创建一个顺序模型，然后使用管道添加层(% > %)操作符:

模型< -keras_model_sequential（）模型% > %layer_dense（单位=256，激活=“relu”，input_shape =c（784）)% > %layer_dropout（率=0.4）% > %layer_dense（单位=128，激活=“relu”）% > %layer_dropout（率=0.3）% > %layer_dense（单位=10，激活=“softmax”）

的input_shape参数指定输入数据的形状(长度为784的数值向量表示灰度图像)。最后一层输出一个长度为10的数字向量(每个数字的概率)softmax激活函数．

使用总结()函数打印模型的详细信息:

总结(模型)

模型  ________________________________________________________________________________ 输出层(类型)的形状参数  # ================================================================================ dense_1(致密)(200960,256)  ________________________________________________________________________________ dropout_1(辍学)(没有,256)0  ________________________________________________________________________________ dense_2(致密)(没有,128) 32896  ________________________________________________________________________________ dropout_2(辍学)(没有,128)0  ________________________________________________________________________________ dense_3(致密)(没有,10)1290  ================================================================================ 总参数:235146可训练的参数:235146 Non-trainable参数:0  ________________________________________________________________________________

接下来，使用适当的损失函数、优化器和指标编译模型:

模型% > %编译（损失=“categorical_crossentropy”，优化器=optimizer_rmsprop()，指标=c（“准确性”））

培训和评估

使用符合()函数对128幅图像进行30个epoch的训练:

< -历史模型% > %适合（x_train y_train,时代=30.，batch_size =128，validation_split =0.2）

的历史返回的对象符合()包括我们可以绘制的损失和精度指标:

情节(历史)

评估模型对测试数据的性能:

模型% > %评估(x_test y_test)

$loss [1] 0.1149 $acc [1] 0.9807

对新数据进行预测:

模型% > %predict_classes(x_test)

[1] 7 2 1 0 4 1 4 9 5 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 2 3 4 7 7 1 2[40] 1 1 7 4 2 5 1 2 3 4 5 6 3 5 6 0 4 1 9 5 6 7 8 9 3 7 4 4 0 7 0 2 1 9 7 3 2[79] 9 7 7 6 2 6 7 8 4 7 3 1 3 6 9 1 4 1 3 7 6 9[达到getOption(“max.print”)——省略9900个条目)

Keras为构建深度学习模型提供了一个简单、优雅和直观的词汇表。构建一个问答系统、一个图像分类模型、一个神经图灵机或任何其他模型都是很简单的。

深度学习与R书

如果您想更全面地介绍Keras以及深度学习的概念和实践，我们推荐基于R的深度学习本书从曼宁。这本书是Keras的创造者François Chollet和为Keras编写R界面的J.J. Allaire的合作。

这本书假设没有机器学习和深度学习的重要知识，并一路从基础理论到高级实际应用，都使用了R接口到Keras。