基于Keras的擴(kuò)展性如何自定義keras

今天小編給大家分享一下基于Keras的擴(kuò)展性如何自定義keras的相關(guān)知識點(diǎn)，內(nèi)容詳細(xì)，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

簡介

Keras是一個(gè)用于在python上搭神經(jīng)網(wǎng)絡(luò)模型的框架，語法和torch比較相似。我個(gè)人認(rèn)為Keras最大的特點(diǎn)是包裝很好，一些在訓(xùn)練過程中要輸出的方法和常用的優(yōu)化函數(shù)、目標(biāo)函數(shù)都已經(jīng)內(nèi)置了，非常適合用來寫大作業(yè)。Keras和python的哲學(xué)有些相似，那就是盡量不自己造輪子。

但是最近逛知乎，看到有答案說，Keras只能用來搭一些世面上已經(jīng)普及的網(wǎng)絡(luò)，和其它框架相比比較小白。換句話說，就是Keras的擴(kuò)展性不好。作為一個(gè)試用過theano、tensorflow、torch、caffe等框架，最后定居在Keras的人，我對此不太同意。事實(shí)上，Keras擁有不錯(cuò)的擴(kuò)展性，這一方面是因?yàn)樵O(shè)計(jì)時(shí)就留好的接口，另一方面是因?yàn)榍逦拇a結(jié)構(gòu)，讓你可以有很多自定義的空間。所以下面用幾個(gè)例子介紹在Keras中如何自定義層和各種方法。

0、backend

如果想在Keras中自定義各種層和函數(shù)，一定會(huì)用到的就是backend。一般導(dǎo)入的方法是

from keras import backend as K

這是因?yàn)镵eras可以有兩種后臺，即theano和tensorflow，所以一些操作張量的函數(shù)可能是隨后臺的不同而不同的，

通過引入這個(gè)backend，就可以讓Keras來處理兼容性。

比如求x的平均，就是K.mean(x)。backend文件本身在keras/backend文件夾下，可以通過閱讀代碼來了解backend都支持哪些操作。backend里面函數(shù)很多，一般都夠用了。

1、Lambda 層

如果你只是想對流經(jīng)該層的數(shù)據(jù)做個(gè)變換，而這個(gè)變換本身沒有什么需要學(xué)習(xí)的參數(shù)，那么直接用Lambda Layer是最合適的了。

導(dǎo)入的方法是

from keras.layers.core import Lambda

Lambda函數(shù)接受兩個(gè)參數(shù)，第一個(gè)是輸入張量對輸出張量的映射函數(shù)，第二個(gè)是輸入的shape對輸出的shape的映射函數(shù)。比如想構(gòu)建這樣一個(gè)層，流經(jīng)該層的數(shù)據(jù)會(huì)被減去平均值，那么可以這樣定義：

def sub_mean(x):
    x -= K.mean(x,axis=1,keepdims=True)
    return x
model.add( Lambda(sub_mean,output_shape=lambda input_shape:input_shape ))

因?yàn)檩敵龅膕hape和輸入的shape是一樣的，第二個(gè)參數(shù)就直接用了恒等映射。

把模型完整地建立出來：

def get_submean_model():
    model = Sequential()
    model.add(Dense(5,input_dim=7))
    def sub_mean(x):
        x -= K.mean(x,axis=1,keepdims=True)
        return x
    model.add( Lambda(sub_mean,output_shape=lambda input_shape:input_shape))
    model.compile(optimizer='rmsprop',loss='mse')
    return model
model = get_submean_model()
res=model.predict(np.random.random((3,7)))

得到地res的平均值是[ 5.96046448e-08 -5.96046448e-08 0.00000000e+00]，可見確實(shí)實(shí)現(xiàn)了減去均值的作用。

2、自定義非遞歸層

如果自己想定義的層中有需要學(xué)習(xí)的變量，那么就不能用lambda層了，需要自己寫一個(gè)出來。

比如說我想定義一個(gè)層，它的效果是對張量乘一個(gè)正對角陣（換句話說，輸入向量與一個(gè)要學(xué)習(xí)的向量逐元素相乘），那么可以這樣寫：

首先要導(dǎo)入基類

from keras.engine.topology import Layer

然后對MyLaber定義如下：

class MyLayer(Layer):
    def __init__(self,output_dim,**kw):
        self.output_dim = output_dim
        super(MyLayer,self).__init__(**kw)
    def build(self,input_shape):
        input_dim = input_shape[1]
        assert(input_dim == self.output_dim)
        inital_SCALER = np.ones((input_dim,))*1000
        self.SCALER = K.variable(inital_SCALER)
        self.trainable_weights = [self.SCALER]
        super(MyLayer,self).build(input_shape)
    def call(self,x,mask=None):
        #return x - K.mean(x,axis=1,keepdims=True)
        x *= self.SCALER
        return x
    def get_output_shape_for(self,input_shape):
        return input_shape

主要參照Keras內(nèi)置的層的寫法，比如Dense在keras/layers/core.py中，要把能學(xué)習(xí)的參數(shù)放在self.trainable_weights中。這里把初始值設(shè)成了1000是為了讓該層的效果更顯著。然后把模型寫全來測試一下

def get_mylayer_model():
    model = Sequential()
    model.add(Dense(5,input_dim=7))
    model.add(MyLayer(5))
    model.compile(optimizer='rmsprop',loss='mse')
    return model
model = get_mylayer_model()
res=model.predict(np.random.random((3,7)))
print res

res如下：

[[ 271.2746582 -1053.31506348 147.17185974 -1120.33740234 609.54876709]

[ -263.69671631 -390.41921997 291.17721558 -594.58721924 615.97369385]

[ -46.58752823 -733.11328125 -21.9815979 -570.79351807 649.44158936]]

都是很大的數(shù)，而不加MyLayer時(shí)每個(gè)值一般也不超過+-2，這個(gè)層確實(shí)起了作用。

在fit之前調(diào)用model.get_weights()，看到該層的權(quán)重都是1000，隨便隨機(jī)出來個(gè)測試集，fit幾千個(gè)epoch只后，loss變得很小，MyLayer的權(quán)重變成了997左右，而前面一層Dense的權(quán)重都成10^-4量級，說明MyLayer中的參數(shù)也確實(shí)是可學(xué)習(xí)的。

3、自定義損失函數(shù)

Keras內(nèi)置的損失函數(shù)都在keras/objectives.py中，比如mse的定義是：

def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

按照相同的格式，可以定義自己的損失函數(shù)。比如我們想要差值的4次方的平均作為損失函數(shù)：

def my_object(y_true,y_pred):
    return K.mean(K.square(K.square(y_pred-y_true)),axis=-1)

把模型寫全：

def get_myobj_model():
    model = Sequential()
    model.add(Dense(5,input_dim=7))
    model.add(Dense(3))
    def my_object(y_true,y_pred):
        return K.mean(K.square(K.square(y_pred-y_true)),axis=-1)
    model.compile(optimizer='sgd',loss=my_object)
    return model
model = get_myobj_model()

能自定義損失函數(shù)是非常重要一環(huán)，它極大的擴(kuò)展了網(wǎng)絡(luò)的應(yīng)用。例如希望用cnn訓(xùn)練出來一個(gè)前后景分割的濾波器，它的輸出的像素在對應(yīng)前景的位置是1，在對應(yīng)后景的位置是0。不但希望網(wǎng)絡(luò)輸出的值的mse小，而且希望0和1分別都連在一起，不要出來雪花狀的輸出。那么自定義損失函數(shù)就能做到了，實(shí)際是把兩個(gè)損失函數(shù)放到了一個(gè)損失函數(shù)中。

另外一些很有用的損失函數(shù)如warp-ctc，就可以在這里集成進(jìn)模型。

4、自定義遞歸層

遞歸層的定義方法和非遞歸層不太一樣。根據(jù)Keras內(nèi)LSTM的寫法，它還有一個(gè)reset_states函數(shù)和step函數(shù)，這是由遞歸的性質(zhì)決定的。例子都在keras/layers/recurrent.py中。

之前看學(xué)長用lasagne寫的LSTM的變體，看得我想哭，還不如在Keras中把LSTM得代碼復(fù)制過來修修改改。不過LSTM也不能直接復(fù)制過來，還需要import幾個(gè)依賴：

rom keras.layers.recurrent import LSTM,Recurrent,time_distributed_dense
from keras import initializations,regularizers,activations
from keras.engine import InputSpec

5、自定義優(yōu)化函數(shù)

Keras的代碼確實(shí)好，耦合度很低。Keras內(nèi)置的優(yōu)化函數(shù)在keras/optimizers.py中，基類Optimizer也在這個(gè)文件里。例如把它內(nèi)置的SGD算法拷貝到自己的文件中，只要先from keras.optimizers import Optimizer就能編譯通過。

有時(shí)候要得到state-of-the-art的結(jié)果，需要用sgd加動(dòng)量法充分收斂。比如學(xué)習(xí)率0.01學(xué)習(xí)上100epoch，再把學(xué)習(xí)率減半，再學(xué)100epoch，依次類推。如果不自定義優(yōu)化函數(shù)的話，就要分階段調(diào)用fit函數(shù)，修改學(xué)習(xí)率，可能還要重新compile。這就不是很優(yōu)美了。其它一些奇葩的學(xué)習(xí)策略，也可以通過自定義優(yōu)化函數(shù)來得到。

6、后記

Keras確實(shí)非常強(qiáng)大，不但能用來寫大作業(yè)，做一些研究也夠用了。Yeah

補(bǔ)充：keras的擴(kuò)展性：自定義keras

1. 自定義keras

keras是一種深度學(xué)習(xí)的API，能夠快速實(shí)現(xiàn)你的實(shí)驗(yàn)。keras也集成了很多預(yù)訓(xùn)練的模型，可以實(shí)現(xiàn)很多常規(guī)的任務(wù)，如圖像分類。TensorFlow 2.0之后tensorflow本身也變的很keras化。

另一方面，keras表現(xiàn)出高度的模塊化和封裝性，所以有的人會(huì)覺得keras不易于擴(kuò)展， 比如實(shí)現(xiàn)一種新的Loss，新的網(wǎng)絡(luò)層結(jié)構(gòu)；其實(shí)可以通過keras的基礎(chǔ)模塊進(jìn)行快速的擴(kuò)展，實(shí)現(xiàn)更新的算法。

本文就keras的擴(kuò)展性，總結(jié)了對layer，model和loss的自定義。

2. 自定義keras layers

layers是keras中重要的組成部分，網(wǎng)絡(luò)結(jié)構(gòu)中每一個(gè)組成都要以layers來表現(xiàn)。keras提供了很多常規(guī)的layer，如Convolution layers，pooling layers， activation layers， dense layers等， 我們可以通過繼承基礎(chǔ)layers來擴(kuò)展自定義的layers。

2.1 base layer

layer實(shí)了輸入tensor和輸出tensor的操作類，以下為base layer的5個(gè)方法，自定義layer只要重寫這些方法就可以了。

init(): 定義自定義layer的一些屬性

build(self, input_shape)：定義layer需要的權(quán)重weights

call(self, *args, **kwargs)：layer具體的操作，會(huì)在調(diào)用自定義layer自動(dòng)執(zhí)行

get_config(self)：layer初始化的配置，是一個(gè)字典dictionary。

compute_output_shape(self,input_shape)：計(jì)算輸出tensor的shape

2.2 例子

# 標(biāo)準(zhǔn)化層
class InstanceNormalize(Layer):
    def __init__(self, **kwargs):
        super(InstanceNormalize, self).__init__(**kwargs)
        self.epsilon = 1e-3
            
    def call(self, x, mask=None):
        mean, var = tf.nn.moments(x, [1, 2], keep_dims=True)
        return tf.div(tf.subtract(x, mean), tf.sqrt(tf.add(var, self.epsilon)))
                                                 
    def compute_output_shape(self,input_shape):
        return input_shape
# 調(diào)用
inputs = keras.Input(shape=(None, None, 3))
x = InstanceNormalize()(inputs)

# 可以通過add_weight() 創(chuàng)建權(quán)重
class SimpleDense(Layer):
  def __init__(self, units=32):
      super(SimpleDense, self).__init__()
      self.units = units
  def build(self, input_shape):
      self.w = self.add_weight(shape=(input_shape[-1], self.units),
                               initializer='random_normal',
                               trainable=True)
      self.b = self.add_weight(shape=(self.units,),
                               initializer='random_normal',
                               trainable=True)
  def call(self, inputs):
      return tf.matmul(inputs, self.w) + self.b
# 調(diào)用
inputs = keras.Input(shape=(None, None, 3))
x = SimpleDense(units=64)(inputs)

3. 自定義keras model

我們在定義完網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，會(huì)把整個(gè)工作流放在 keras.Model， 進(jìn)行 compile(), 然后通過 fit() 進(jìn)行訓(xùn)練過程。執(zhí)行 fit() 的時(shí)候，執(zhí)行每個(gè) batch size data 的時(shí)候，都會(huì)調(diào)用 Model 中train_step(self, data)

from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)

當(dāng)你需要自己控制訓(xùn)練過程的時(shí)候，可以重寫Model的train_step(self, data)方法

class CustomModel(keras.Model):
    def train_step(self, data):
        # Unpack the data. Its structure depends on your model and
        # on what you pass to `fit()`.
        x, y = data
        with tf.GradientTape() as tape:
            y_pred = self(x, training=True)  # Forward pass
            # Compute the loss value
            # (the loss function is configured in `compile()`)
            loss = self.compiled_loss(y, y_pred, regularization_losses=self.losses)
        # Compute gradients
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)
        # Update weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))
        # Update metrics (includes the metric that tracks the loss)
        self.compiled_metrics.update_state(y, y_pred)
        # Return a dict mapping metric names to current value
        return {m.name: m.result() for m in self.metrics}
import numpy as np
# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])
# Just use `fit` as usual
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=3)

4. 自定義keras loss

keras實(shí)現(xiàn)了交叉熵等常見的loss，自定義loss對于使用keras來說是比較常見，實(shí)現(xiàn)各種魔改loss，如focal loss。

我們來看看keras源碼中對loss實(shí)現(xiàn)

def categorical_crossentropy(y_true, y_pred):
    return K.categorical_crossentropy(y_true, y_pred)
def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

可以看出輸入是groud true y_true和預(yù)測值y_pred， 返回為計(jì)算loss的函數(shù)。自定義loss可以參照如此模式即可。

def focal_loss(weights=None, alpha=0.25, gamma=2):
    r"""Compute focal loss for predictions.
        Multi-labels Focal loss formula:
            FL = -alpha * (z-p)^gamma * log(p) -(1-alpha) * p^gamma * log(1-p)
                 ,which alpha = 0.25, gamma = 2, p = sigmoid(x), z = target_tensor.
    # https://github.com/ailias/Focal-Loss-implement-on-Tensorflow/blob/master/focal_loss.py
    Args:
     prediction_tensor: A float tensor of shape [batch_size, num_anchors,
        num_classes] representing the predicted logits for each class
     target_tensor: A float tensor of shape [batch_size, num_anchors,
        num_classes] representing one-hot encoded classification targets
     weights: A float tensor of shape [batch_size, num_anchors]
     alpha: A scalar tensor for focal loss alpha hyper-parameter
     gamma: A scalar tensor for focal loss gamma hyper-parameter
    Returns:
        loss: A (scalar) tensor representing the value of the loss function
    """
    def _custom_loss(y_true, y_pred):
        sigmoid_p = tf.nn.sigmoid(y_pred)
        zeros = array_ops.zeros_like(sigmoid_p, dtype=sigmoid_p.dtype)
        # For poitive prediction, only need consider front part loss, back part is 0;
        # target_tensor > zeros <=> z=1, so poitive coefficient = z - p.
        pos_p_sub = array_ops.where(y_true > zeros, y_true - sigmoid_p, zeros)
        # For negative prediction, only need consider back part loss, front part is 0;
        # target_tensor > zeros <=> z=1, so negative coefficient = 0.
        neg_p_sub = array_ops.where(y_true > zeros, zeros, sigmoid_p)
        per_entry_cross_ent = - alpha * (pos_p_sub ** gamma) * tf.log(tf.clip_by_value(sigmoid_p, 1e-8, 1.0)) 
                              - (1 - alpha) * (neg_p_sub ** gamma) * tf.log(
            tf.clip_by_value(1.0 - sigmoid_p, 1e-8, 1.0))
        return tf.reduce_sum(per_entry_cross_ent)
    return _custom_loss

以上就是“基于Keras的擴(kuò)展性如何自定義keras”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會(huì)為大家更新不同的知識，如果還想學(xué)習(xí)更多的知識，請關(guān)注億速云行業(yè)資訊頻道。