MNIST (DCNN) mit Keras

Was ist Keras?

Eine Bibliothek, die die Verwendung von Theano und TensorFlow vereinfacht

Ausführungsumgebung

EC2 (AWS) g2.2xlarge-Instanz (Oregon = West-USA) Python 2.7.6 TensorFlow 0.8.0

Die AWS-Instanz wurde mit dem AMI einer anderen Person initialisiert. Wenn Sie sie jedoch selbst vorstellen möchten, lesen Sie Folgendes

Es scheint, dass Sie nicht mehr aus dem Quellcode erstellen müssen, um TensorFlow auf einer EC2-GPU-Instanz auszuführen?

Keras-Installation

Gehen Sie wie in [Dokumentation] beschrieben vor (http://keras.io/#installation) Angenommen, TensorFlow ist bereits installiert, fügen Sie ggf.'udo 'hinzu

pip install scipy
pip install scikit-learn
pip install pyyaml
apt-get install libhdf5-dev
pip install h5py
pip install keras

Einmal aus Python

import keras

Führen Sie Keras as aus und bearbeiten Sie '~ / .keras / keras.json' wie folgt

"backend": "theano"

↓

"backend": "tensorflow"

Code

`mnist.py`


from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers.convolutional import Convolution2D, MaxPooling2D
from keras.layers.core import Activation, Flatten, Dense
from keras.callbacks import EarlyStopping

(X_train, y_train), (X_test, y_test) = mnist.load_data()
nb_classes = 10

X_train = X_train.reshape(-1, 1, 28, 28).astype('float32')
X_test = X_test.reshape(-1, 1, 28, 28).astype('float32')
X_train /= 255
X_test /= 255
y_train = np_utils.to_categorical(y_train, nb_classes)
y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()

model.add(Convolution2D(nb_filter = 16, nb_row = 3, nb_col = 3, border_mode = 'same', input_shape = (1, 28, 28)))
model.add(Activation('relu'))

model.add(Convolution2D(nb_filter = 32, nb_row = 3, nb_col = 3, border_mode = 'same'))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size = (2, 2), border_mode = 'same'))

model.add(Convolution2D(nb_filter = 64, nb_row = 3, nb_col = 3, border_mode = 'same'))
model.add(Activation('relu'))

model.add(Convolution2D(nb_filter = 128, nb_row = 3, nb_col = 3, border_mode = 'same'))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size = (2, 2), border_mode = 'same'))

model.add(Flatten())

model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

early_stopping = EarlyStopping(monitor = 'val_loss', patience = 2)

model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
model.fit(X_train, y_train, nb_epoch = 5, batch_size = 100, callbacks = [early_stopping])
score = model.evaluate(X_test, y_test)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

Referenzierte Seite

Deep Learning Library Keras Keras Documentation

[PYTHON] MNIST (DCNN) mit Keras (TensorFlow-Backend)