keras做多层神经网络

一、 背景与目的

背景：配置好了theano，弄了gpu， 要学dnn方法。

目的：本篇学习keras基本用法， 学习怎么用keras写mlp，学keras搞文本的基本要点。

二、 准备

工具包： theano、numpy、keras等工具包

数据集： 如果下不来， 可以用迅雷下，弄到~/.keras/datasets/下面即可

代码位置：examples/reuters_mlp.py

三、 代码赏析

'''Trains and evaluate a simple MLP
on the Reuters newswire topic classification task.
'''

from __future__ import print_function
import numpy as np
np.random.seed(1337)  # for reproducibility

from keras.datasets import reuters
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.utils import np_utils
from keras.preprocessing.text import Tokenizer

max_words = 1000 #vocab大小
batch_size = 32 #mini_batch_size 
nb_epoch = 5 #大循环次数

print('Loading data...')
(X_train, y_train), (X_test, y_test) = reuters.load_data(nb_words=max_words, test_split=0.2) #载入路透社语料
#打印
print(len(X_train), 'train sequences') 
print(len(X_test), 'test sequences')

#分类数目--原版路透社我记着是10来着，应该是语料用的是大的那个
nb_classes = np.max(y_train)+1
print(nb_classes, 'classes')

print('Vectorizing sequence data...')
#tokenize
tokenizer = Tokenizer(nb_words=max_words)
#序列化，取df前1000大
#这里有个非常好玩的事， X_train 里面初始存的是wordindex，wordindex是按照词大小来的（应该是，因为直接就给撇了）
#所以这个效率上还是很高的
#转化的还是binary，默认不是用tfidf
X_train = tokenizer.sequences_to_matrix(X_train, mode='binary')
X_test = tokenizer.sequences_to_matrix(X_test, mode='binary')
print('X_train shape:', X_train.shape)
print('X_test shape:', X_test.shape)

print('Convert class vector to binary class matrix (for use with categorical_crossentropy)')
#这个就好理解多了， 编码而已
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
print('Y_train shape:', Y_train.shape)
print('Y_test shape:', Y_test.shape)

print('Building model...')
model = Sequential()
#第一层
#Dense就是全连接层
model.add(Dense(512, input_shape=(max_words,))) #输入维度, 512==输出维度
model.add(Activation('relu')) #激活函数
model.add(Dropout(0.5)) #dropout

#第二层
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

#损失函数设置、优化函数，衡量标准
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

#训练，交叉验证
history = model.fit(X_train, Y_train,
                    nb_epoch=nb_epoch, batch_size=batch_size,
                    verbose=1, validation_split=0.1)
score = model.evaluate(X_test, Y_test,
                       batch_size=batch_size, verbose=1)
print('Test score:', score[0])
print('Test accuracy:', score[1])

四、 训练速度比较

此表调整到了相对好一点的两万词表，要不然我觉得讨论效果没什么意义

	训练时间-cpu	训练时间-gpu	val-cpu	val-gpu
第一轮	22s	3s	79	79
第二轮	22s	3s	81	81
第三轮	23s	3s	80	80
第四轮	33s	3s	78	79
第五轮	40s	3s	80	80

看的出来，即使是mlp，效果的提升也是非常非常大的。