Keras 教學- 機器學習與類神經網路 - Soul & Shell Blog

Keras 是近年火紅的Machine Learning 函式庫，也是一個開源專案，透過Python 實做的深度學習高階API 函式庫。

採用MIT License，主要作者維護者是Google ... Keras教學-機器學習與類神經網路 Tags:AIKerasMachineLearningMNIST手寫辨識機器學習深度學習類神經網路bySJ on 2020/08/21 in 科技與科學,程式設計,雲端AI大數據 最近在研究Keras與深度學習，順便記錄一下學習的過程(完整Keras投影片)。

現在網路上已經有很多的資源可以幫助我們進行MachineLearning，像是GPU可以用CoLab提供的P100來訓練，足夠應付一般的實驗工作。

如果要訓練比較龐大的影像資料，還是自己買GPU或租用雲端MaaS服務吧，不然免費的CoLab穩定性不太夠，而且只有一顆GPU。

因為學習心得有點多，內容可能會分幾篇文章進行介紹。

廢話說完，那就先開始吧...... Keras是什麽？ Keras是近年火紅的MachineLearning函式庫，也是一個開源專案，透過Python實做的深度學習高階API函式庫。

採用MITLicense，主要作者維護者是Google工程師FrançoisChollet。

在GitHubKerasProject獲得超多的Star與Fork。

Keras擁有以下特性： 相同的程式碼可以在CPU或GPU上執行 提供API快速建構神經網路雛型 內建函式庫支援卷神經網路、循環神經網路以及任何組合 可建構任何形式的深度學習模型，包含對抗神經網路、神經圖靈機 內建PlayDataset，可以進行一些演算法的實驗 架構如下： https://www.slideshare.net/databricks/a-tale-of-three-deep-learning-frameworks-tensorflow-keras-and-deep-learning-pipelines-with-brooke-wenig-and-jules-damji 為什麽現在「深度學習」高速發展？ 類神經網路的概念很久以前就已經被提出，早期計算機運算能力有限，那時候只能解決簡單問題，比如訓練一個XOR互斥或閘(XORProblem)這樣的問題。

如今伴隨科技的進步，以往複雜的問題所需要的大量運算，逐漸被克服，以下幾點也是近年來MachineLearning發展迅速的主因： 硬體設備提昇：GPU,CUDA平行運算(Nvidia) 資料：伴隨網路發展產生大量的資料、標記內容 演算法：更好的啟動函數、更好的權重初始化方法、更好的最佳化方式 其中我認為半導體的技術發展是最大的推手，利用半導體發展AI運算專用的晶片，或者未來實現In-memoryProcessing這樣的晶片架構，都會大幅提昇AI解決問題與應用的能力。

機器學習的基本概念 如果你跟我一樣也是個程式(Bug)設計師，那麼我們平常的工作應該是： 沒錯，就是理解正妹PM提出的需求，經過專業的系統分析師(應該也是你)分析以後，接著由軟體架構師(應該也是你)進行系統設計，然後交給程式設計師(還是你)進行設計。

這樣的開發過程就是現在程式設計的流程，所有的「答案」都是我們可以預測的(我是說大部分比較正常的情況下)，而我們實現「規則」的過程就是程式設計，但有時候規則很難被歸納與實現，說的出來但是很難收斂與系統化，比如從一張照片分辨是貓還是狗。

像這一類的問題對人類來說很簡單，對機器來說卻是很複雜。

相較於傳統的程式設計，機器學習的過程就不太一樣： 首先我們要準備很多「答案」與「資料」作為訓練樣本，然後假設這個規則可能構成的方法，接著讓機器根據我們提供的答案與資料進行訓練，嘗試找出兩者之間的「規則」關係。

這類的問題通常都是很難用傳統的「程式設計」來解決的問題，甚至有一些模糊地帶與不容易量化的問題答案，就可以透過機器學習(深度學習)來完成。

除了深度學習，還有淺層學習 除了深度學習用到的類神經網路，還有一個領域是機器學習常用的方法，統稱淺層學習。

這個詞比較少見，其實就是一些傳統的統計方法，這些其實都是透過「資料與答案」尋找「規則」，當然也屬於機器學習的一部分。

這些常用的方法如下： 機率建模(Probabilisticmodeling) 單純貝式分類器 邏輯斯回歸(LogisticRegression) KernelMethods SVM-將資料投影到高維空間，進而尋找最佳決策邊界。

難以用在大量的資料集，像是影像處理領域。

屬於淺層工作法，其中「特徵工程」就變得相當重要。

決策樹、隨機森林、梯度提昇機器 決策樹(Decisiontree) 隨機森林(RandomForest)：集合大量決策樹組合輸出值，在2010~2014廣授歡迎。

梯度提昇機(GradientBoostingMachines,GBM)：適合處理非感知資料，透過迭代訓練逐步提昇模型的弱點，也稱為弱預測模型。

上述的方法大家應該多少有些聽聞，我就不一一介紹了(我也不懂R~~~)。

類神經網路ANN 會被稱為類神經網路(ArtificialNeuralNetwork，ANN)，是因為組合的結構與人類腦中的神經元相似，目前在機器學習上使用的神經網路規模的架構，與人類腦中的神經元組成大不相同，無論是複雜度與數量都無法與人腦相比。

現在可以透過HPC處理比較龐大的類神經網路，用來解決複雜的問題，一個簡單的神經網路如下： Refre:https://mc.ai/a-to-z-about-artificial-neural-networks-ann-theory-n-hands-on/ 一個類神經網路由許多Layer組成，透過Input與Output給予資料來訓練Layer中的參數。

類神經網路就像一個龐大的「多項式」，需要大量計算才能求得最佳解。

如今類神經網路已經發展出非常多樣的網路模型，透過不同的神經元連接方式、資料處理方式、參數調整方式、收斂方式來建立AI模型，應付各種問題。

類神經網路的概念就像一個黑盒子，理論上可以學習任何規則(是理論!?)，在很早期1975年PaulWerbos發明的反向傳播算法(Backpropagation)就成功訓練了「互斥或」邏輯運算，一直到近幾年積體電路GPU突飛猛進，可以進行複雜與龐大的運算，也讓神經網路開啟進入到另一個階段。

為什麽現在「深度學習」高速發展？主要以下幾個原因： 硬體設備提昇：GPU,CUDA平行運算(N-Vidia) 資料爆炸：伴隨網路發展，產生大量的資料、標記內容 演算法：更好的啟動函數、更好的權重初始化方法、更好的最佳化方式 深度學習的基本概念 深度學習的基本架構，透過不同的「網路層」連接方式，可以產生不同的AIModel，解決不同的問題。

那麼深度學習是如何運作的？以監督式學習為例，我們需要先準備很多「輸入資料X」與「標準答案Y」然後送進網路進行運算。

藉由不斷調整參數來找到「解法」，一開始我們就會定義網路的組成方式，這個網路代表一個假設空間，藉由我們輸入的資料讓這個假設空間(網路)可以找到解法。

但如果我們一開始設定的假設空間(網路)就已經沒有涵蓋最正確的解法，那麼無論怎麼運算都不會有好的結果，所以一開始網路的架構選擇與組成也是很重要的。

整個訓練過程如下圖： 上圖當「輸入資料X」經過網路的計算後，會獲得答案「預測值Y'」但是一開始這個答案給我們的「標準答案Y」會有一些差距，基本的訓練架構會透過「損失函數」計算出「損失分數」，藉由我們選擇的「優化器」逐漸優化調整網路權重值，好讓我們的「預測值Y'」可以慢慢接近「標準答案Y」。

經過數輪的計算後這個「超級函式」就會擬合(Fit)我們的輸入資料，當未來送入一樣概念的資料時，網路就能輸出這個概念所理解的答案。

這篇文章是我今年K書整理下來的心得，後續會慢慢介紹其他Keras的用法.......下次見～ 更多文章Keras教學–如何透過資料擴增法利用少量資料訓練CNN網路Keras教學–訓練卷積神經網路Keras教學–神經網路訓練參數的特性與使用時機Keras教學–訓練IMDBReviewsCNN網路模型用GoogleColab免費GPU訓練AI模型教學Keras教學–KerasMNIST手寫辨識x深度學習的HelloWorld如何在Colab中透過KaggleAPI下載資料集 這是真的廣告 白金贊助 分享此文分享到Twitter(在新視窗中開啟)按一下以分享至Facebook(在新視窗中開啟)分享到LinkedIn(在新視窗中開啟)按一下即可以電子郵件傳送連結給朋友(在新視窗中開啟)按一下即可分享至Skype(在新視窗中開啟)分享到Reddit(在新視窗中開啟)分享到Tumblr(在新視窗中開啟)按一下以分享到Telegram(在新視窗中開啟) Postnavigation ←如何在Colab中透過KaggleAPI下載資料集 免費Mac資料救援軟體！EaseUSDataRecoveryWizard幫你找回遺失的美好→ 本著作由 SJ 製作，以創用CC姓名標示-禁止改作3.0Unported授權條款釋出。

聾子聽到啞巴說瞎子看到鬼！ Searchfor: 分類 App開發 iOS&Apple Linux Web開發 假文青聽音樂 其他雜項 區塊鏈 吃喝玩樂 宅系手作 敏捷開發 科技與科學 程式設計 系統管理 網際網路 自己動手做 自由軟體 軟體工程 雲端AI大數據 求分享求關注 友站連結 Holly和你 NiNi的好好 Booking訂房優惠 幣安註冊獲得100美金回饋 贊助廣告樂樂童鞋蝦皮領卷免運活動