0
雷鋒網 AI科技評論消息，Keras R語言接口正式發布，并同時公開20個完整示例。
關于keras的介紹
Keras是一個高層神經網絡API，為支持快速實驗而生，目前主要功能如下：
支持相同的代碼無縫跑在CPU或GPU上
對用戶友好，易于快速prototype深度學習模型
支持計算機視覺中的卷積網絡、序列處理中的循環網絡，也支持兩種網絡的任意組合
支持任意網絡架構：多段輸入或多段輸出模型、層共享、模型共享等。這意味著Keras 本質上適合用于構建任意深度學習模型（從記憶網絡到神經圖靈機）
兼容多種運行后端，例如TensorFlow、CNTK和 Theano
如果你已經很熟悉Keras了，并且想要立刻體驗最新發布的R語言接口，請點擊如下網址：https://keras.rstudio.com，這里有超過20個完整示例，相信有你需要的東西。
接下來是更多關于Keras的信息，以及發布Keras的R語言接口的意義。
Keras和深度學習
在過去的幾年間，人們對深度學習的興趣增長迅速，同時期出現了幾個深度學習的框架。在所有的框架中，Keras因為在生產力、靈活性以及對用戶友好性方面的優勢脫穎而出。同時期，tensorflow作為下一代機器學習平臺，非常靈活，很適合產品部署。
毫不驚訝地說，Keras和tensorflow正在逐漸超過其他深度學習框架。
現在，你不需要糾結該選tensorflow或是Keras了。Keras的默認后端支持通過tensorflow工作流，實現tensorflow和Keras的無縫集成。今年晚些時候，可以通過更深的集成，讓Keras完全實現與tensorflow的無縫銜接。
Keras和tensorflow目前都是最頂尖的深度學習框架，有了新發布的Keras包，利用R接口現在可以同時接入兩個框架。
使用說明
安裝
首先，從CRAN的Keras R包中按照如下步驟安裝：
install.packages("keras")
Keras R接口默認使用 TensorFlow后端引擎。使用如下install_keras()函數安裝核心Keras庫和 TensorFlow后端：
library(keras)
install_keras()（）
這個函數默認基于CPU安裝Keras和TensorFlow。如果你想要自定義安裝，比如說想要利用英偉達GPU，可以查看install_keras()函數的詳細文檔。
MNIST樣例
可以通過實現一個簡單的例子來學習Keras的基本知識：識別來自MNIST數據集的手寫數字。MNIST由手寫數字的28x 28灰度圖像組成，如下圖所示:
數據集中包含每個圖像的標簽，來告訴我們這是哪個數字。例如，上面圖像中的標簽分別是5,0,4,1。
準備數據
MNIST數據集包含在Keras中，可以通過使用dataset_mnist() 函數得到。這個例子中我們先下載數據集，然后為測試和訓練數據創造出變量。
library(keras)
mnist <- dataset_mnist()
x_train <- mnist$train$x
y_train <- mnist$train$y
x_test <- mnist$test$x
y_test <- mnist$test$y
x數據是灰度值的3-d數組(圖像、寬度、高度)。為了準備訓練數據，通過將寬度和高度轉換為一維(28x28的圖像被簡化成長為784的向量)，從而把三維數組轉換為矩陣。然后，我們將值為0到255的整數之間的灰度值轉換成0到1之間的浮點值。
# reshape
dim(x_train) <- c(nrow(x_train), 784)
dim(x_test) <- c(nrow(x_test), 784)
# rescale
x_train <- x_train / 255
x_test <- x_test / 255
y數據是一個整型向量，其值從0到9。為了準備訓練數據，我們利用 Keras to_categorical()函數，用one-hot編碼方法將向量轉化為二進制類矩陣（binary class matrices ）:
y_train <- to_categorical(y_train, 10)
y_test <- to_categorical(y_test, 10)
定義模型
我們首先創建一個序貫模型（sequential model），然后使用pipe(%-%)運算符添加層。
model <- keras_model_sequential()
model %>%layer_dense(units = 256, activation = 'relu', input_shape = c(784)) %>%
layer_dropout(rate = 0.4) %>%
layer_dense(units = 128, activation = 'relu') %>%
layer_dropout(rate = 0.3) %>%
layer_dense(units = 10, activation = 'softmax')
使用summary()函數打印出模型的細節：
接下來，用適當的損失函數、優化器和指標來編譯模型:
model %>% compile(
loss = 'categorical_crossentropy',
optimizer = optimizer_rmsprop(),
metrics = c('accuracy')
)
訓練和評估
使用fit() 函數來訓練模型，epochs為30，batch_size為128：
history <- model %>% fit(
x_train, y_train,
epochs = 30, batch_size = 128,
validation_split = 0.2)
可以通過plot(history)繪制出每一步epoch下loss和acc的值：
通過測試數據評估模型表現：
model %>% evaluate(x_test, y_test)
$loss
[1] 0.1149
$acc
[1] 0.9807
通過新的數據生成預測值：
model %>% predict_classes(x_test)
更多詳細信息，可以點擊：https://keras.rstudio.com/
keras包下載地址：https://cran.r-project.org/package=keras
雷鋒網 AI科技評論編譯。雷鋒網原創
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
