原创翻译 | 在R中利用Keras和TensorFlow开始深入进修

简介

在R和Python之间举办选择一直是个有争议的话题。呆板进修世界被分别为偏幸一种语言而不是另一种语言。可是跟着深度进修的发作，这种均衡转向了Python，因为它有大量的深度进修库和框架。

我小我私家从R转向Python仅仅是因为我想深入的研究深度进修规模，但R无法做到。但此刻有了转机!

跟着基于R的Keras库的宣布, 这场争斗又回到了中心。 Python 正在逐步的成为深度进修模子的事实语言。可是跟着回收R基于tensorflow (CPU 和 GPU 兼容)的Keras 库的宣布, R将再次为领奖台而战Python 尤其在深度进修规模。

以下我们将展示如何安装R语言情况下的基于Tensorflow的 Keras 库，并回收RStudio，在经典的MNIST数据集上构建一个神经网络模子。

安装基于tensorflow 的Keras库.

利用Keras构建差异范例的模子

利用 MLP 分类MNIST手写数字

同Python中的等效代码在MNIST执行功效做比拟

总结

1. 安装基于tensorflow的Keras库

在 RStudio 中安装 Keras 的步调很是简朴。只要凭据以下步调，您就可以利用R语言构建你的第一个神经网络模子。

install.packages(“devtools”)

devtools::install_github(“rstudio/keras”)

以上步调将会从Github客栈安装keras 库. 此刻让我们在R中加载keras 并安装 tensorflow。

library(keras)

默认环境下 RStudio 加载 CPU 版本的 tensorflow。以下呼吁可以下载 CPU版本的 tensorflow。

install_tensorflow()

安装GPU版本的 tensorflow , 执行以下呼吁：

nstall_tensorflow(gpu=TRUE)

对付多用户安装, 参考安装指南。

此刻我们已经在RStudio内安装了 keras 和 tensorflow, 让我们开始在MNIST数据集上构建我们的第一个神经网络项目。

2. 利用Keras构建差异范例的模子

以下列表为R中利用Keras可以构建的模子。

多层感知器

卷积神经网络

递归神经网络

Skip-Gram 模子

利用诸如 VGG16, RESNET 等的预练习模子.

微调预练习模子.

让我们先从构建一个很是简朴的模子，利用一个埋没层分类手写数字。

3. 利用MLP分类 MNIST 手写数字

#加载 keras 库
library(keras)

#加载keras中内置的 mnist 数据集
data<-dataset_mnist()

#疏散练习和测试文件
train_x<-data$train$x
train_y<-data$train$y
test_x<-data$test$x
test_y<-data$test$y

rm(data)

# converting a 2D array into a 1D array for feeding into the MLP and normalising the matrix
train_x <- array(train_x, dim = c(dim(train_x)[1], prod(dim(train_x)[-1]))) / 255
test_x <- array(test_x, dim = c(dim(test_x)[1], prod(dim(test_x)[-1]))) / 255

#converting the target variable to once hot encoded vectors using keras inbuilt function
train_y<-to_categorical(train_y,10)
test_y<-to_categorical(test_y,10)

#defining a keras sequential model
model <- keras_model_sequential()

#defining the model with 1 input layer[784 neurons], 1 hidden layer[784 neurons] with dropout rate 0.4 and 1 output layer[10 neurons]
#i.e number of digits from 0 to 9

model %>%
layer_dense(units = 784, input_shape = 784) %>%
layer_dropout(rate=0.4)%>%
layer_activation(activation = ‘relu’) %>%
layer_dense(units = 10) %>%
layer_activation(activation = ‘softmax’)

#compiling the defined model with metric = accuracy and optimiser as adam.
model %>% compile(
loss = ‘categorical_crossentropy’,
optimizer = ‘adam’,
metrics = c(‘accuracy’)
)

#fitting the model on the training dataset
model %>% fit(train_x, train_y, epochs = 100, batch_size = 128)

#Evaluating model on the cross validation dataset
loss_and_metrics <- model %>% evaluate(test_x, test_y, batch_size = 128)

以上代码可以到达 99.14 的练习精度和 96.89的检讨精度。代码运行在我的 i5 处理惩罚器回收单线程运行13.5秒而在TITANx GPU上, 检讨精度为 98.44 平均耗费2秒。

4. MLP 利用 keras – R vs Python

为了举办较量, 我也在Python上实现了上述MNIST问题。以下为等价的 python 代码。

#importing the required libraries for the MLP model
import keras
from keras.models import Sequential
import numpy as np

#loading the MNIST dataset from keras
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

#reshaping the x_train, y_train, x_test and y_test to conform to MLP input and output dimensions
x_train=np.reshape(x_train,(x_train.shape[0],-1))/255
x_test=np.reshape(x_test,(x_test.shape[0],-1))/255

import pandas as pd
y_train=pd.get_dummies(y_train)
y_test=pd.get_dummies(y_test)

#performing one-hot encoding on target variables for train and test
y_train=np.array(y_train)
y_test=np.array(y_test)

#defining model with one input layer[784 neurons], 1 hidden layer[784 neurons] with dropout rate 0.4 and 1 output layer [10 #neurons]
model=Sequential()

from keras.layers import Dense

model.add(Dense(784, input_dim=784, activation=’relu’))
keras.layers.core.Dropout(rate=0.4)
model.add(Dense(10,input_dim=784,activation=’softmax’))

#p#分页标题#e#

# compiling model using adam optimiser and accuracy as metric
model.compile(loss=’categorical_crossentropy’, optimizer=”adam”, metrics=[‘accuracy’])
# fitting model and performing validation

model.fit(x_train,y_train,epochs=50,batch_size=128,validation_data=(x_test,y_test))

以上代码在沟通的GPU上可以获得98.42的检讨精度。因此 , 正如我们最初的揣摩, 功效沟通.

5. 总结

假如这是你在R中的第一个深度进修模子, 我但愿你会喜欢上它。编写很是简朴的代码, 你就可以或许分类手写数字并到达98% 精确率。这应该足以让你开始深度进修的念头。

假如你已经回收Python 在keras库长举办深度进修, 那么你将会发明R中的keras库的语法和布局要同Python中很是相似。事实上, R情况下的 keras 包会建设一个conda 情况，并安装运行keras所需的依赖库。可是，此刻我更欢快的是数据科学家回收R正构建真实糊口深度进修模子。事实上，竞争本不应遏制。我还想听听你对R这个新成长的观点，请随意评论。

英文原文：https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/

当前位置：以往代写 > 其他教程 >原创翻译 | 在R中利用Keras和TensorFlow开始深入进修