Intro

R語言是我使用的第一種計(jì)算機(jī)語言，也是目前的主流數(shù)據(jù)分析語言之一，常常被人與python相比較。在EDA，制圖和機(jī)器學(xué)習(xí)方面R語言擁有很多的的package可供選擇。但深度學(xué)習(xí)方面由于缺少學(xué)習(xí)庫以及合適的框架而被python趕超。但Keras在R語言上的發(fā)布使得兩種語言再次打成平手。

此文章使用Tensorflow以及Keras庫在R語言上進(jìn)行了手寫數(shù)字識別，代碼部分源于《Getting started with Deep Learning using Keras and TensorFlow in R》，作者： NSS：https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/?spm=5176.100239.blogcont109827.13.QVuLG8 。對于新手來說這些代碼可能并不好理解，前面電腦配置部分的省略讓我走過了不少坑。此篇文章中我會(huì)對后臺的安裝以及代碼部分作詳解。

環(huán)境搭建

本機(jī)電腦配置

電腦型號：MacBook Air
系統(tǒng)： Windows 8.1 專業(yè)版 64位操作系統(tǒng)
處理器： Intel® Core™ i5-5250U CPU @ 1.60GHz
安裝內(nèi)存（RAM）: 8.0 GB
顯卡：HD 4000核芯顯卡

安裝TensorFlow以及Keras

首先請安裝Python3.5或3.6。下載地址：https://www.python.org/getit/ 。目前最新的為3.7.1，但tensorflow win8版本目前只支持python3.5以及3.6。IOS或者LINUX可能支持2.x版本。我們用這個(gè)Python來安裝tensorflow。

本人安裝版本為Python3.6.7 64bit，安裝時(shí)顯示需要 C Runtime Update（KB2999226），即需要更新or安裝KB2999226補(bǔ)丁。如果你電腦沒有這個(gè)補(bǔ)丁的話去官網(wǎng)找到適合你計(jì)算機(jī)的版本下載更新就可以了。注意需要先安裝KB2919355才能后續(xù)安裝。

安裝時(shí)選擇把連帶的pip等都安裝上。之后在cmd里面輸入python即可查看版本。（作為電腦小白的我最開始并不知道cmd是個(gè)啥。。。其實(shí)就是ios系統(tǒng)里面的‘終端’， win系統(tǒng)里中文叫命令提示符）

C:\Users\user>python

之后需要官網(wǎng)下載 Visual C++2015 redistributable 來進(jìn)行pip install tensorflow，下載地址：https://www.microsoft.com/en-us/download/details.aspx?id=53587。

安裝完成之后cmd里輸入

C:\Users\user>pip install tensorflow

如果顯示無法訪問xxxxx就加上－－user

C:\Users\user>pip install --user tensorflow

同理繼續(xù)安裝keras

C:\Users\user>pip install --user keras

現(xiàn)在一些安裝就緒，可以在cmd輸入以下代碼里查看是否安裝成,如果不顯示錯(cuò)誤那就是安裝成功了～～

C:\Users\user>python
import tensorflow
import keras

接下來進(jìn)入R語言部分！

安裝R以及Rstudio

如果之前有用過R的朋友請忽略這一段。
安裝R非常簡單，直接官網(wǎng)下載：https://mirrors.tuna.tsinghua.edu.cn/CRAN/

之后下載Rstudio，這個(gè)相當(dāng)于R語言的開掛版，界面相比于R來說非常友好，輔助功能也很多，下載地址：https://www.rstudio.com/products/rstudio/download/

#注意Rstudio是基于R語言的，需要下載安裝R語言后才可以安裝使用。

基于R語言的深度學(xué)習(xí)MLP

在Rstudio中安裝Tensorflow和Keras

此部分代碼源自：https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/?spm=5176.100239.blogcont109827.13.QVuLG8 。我添加了一些comments可供參考。

首先在RStudio中安裝Keras和tensorflow

install.packages("devtools") ＃安裝R的開發(fā)工具包
devtools::install_github("rstudio/keras") ＃從github下載keras到R
install.packages("keras")＃也可以直接下載CRAN的Keras包
＃以上兩種安裝方法選其一就可以
library(keras) ＃加載keras包
install_tensorflow()＃建立一個(gè)R語言的tensorflow環(huán)境，默認(rèn)為CPU版本
install_tensorflow(gpu=TRUE) ＃如果想要自定義安裝，比如使用GPU，使用這行代碼

MNIST數(shù)據(jù)集的預(yù)處理

在配置好環(huán)境后我們開始神經(jīng)網(wǎng)絡(luò)的搭建，使用dataset_mnist()數(shù)據(jù)集。MNIST數(shù)據(jù)集是60000個(gè)從0到9的十個(gè)手寫數(shù)字28x 28像素的灰度圖像組成，同時(shí)提供一個(gè)10000張圖像的測試集。

首先我們下載數(shù)據(jù)集，并為測試和訓(xùn)練數(shù)據(jù)創(chuàng)造出變量。其中x為灰度值的3D數(shù)組(圖像、寬度、高度)，y為數(shù)字0到9的整數(shù)分類向量。

＃把訓(xùn)練集，測試集分離并創(chuàng)造出變量
＃此步驟在深度學(xué)習(xí)中非常常見，可以有效的防止數(shù)據(jù)欺詐，并且讓你的數(shù)據(jù)和步驟看起來更加清晰
train_x<-data$train$x 
train_y<-data$train$y
test_x<-data$test$x
test_y<-data$test$y
rm(data) ＃這一步為移除原始數(shù)據(jù)。。。沒啥用

然后我們把x數(shù)據(jù)（灰度值）的3D數(shù)據(jù)中的寬度和高度通過array()轉(zhuǎn)換為一維(28x28的像素值變成長度為784的向量)使之轉(zhuǎn)化為矩陣形式。同時(shí)把0到255之間整數(shù)的灰度值轉(zhuǎn)換成0到1之間的數(shù)值。

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

之后再來看y數(shù)據(jù) ，我們用 Keras包里面的to_categorical()函數(shù)，把之前的分類向量轉(zhuǎn)化為二進(jìn)制類矩陣（binary class matrix）

train_y<-to_categorical(train_y,10)
test_y<-to_categorical(test_y,10)

深度學(xué)習(xí)MLP模型

現(xiàn)在數(shù)據(jù)已經(jīng)處理完畢了，我們可以開始建模。首先創(chuàng)建一個(gè)keras的序貫?zāi)Ｐ停╯equential model），這是一個(gè)多個(gè)網(wǎng)絡(luò)層的線性堆疊，我們可以通過向Sequential模型傳遞一個(gè)layer的list來構(gòu)造該模型。

model <- keras_model_sequential() ＃定義模型

添加并定義網(wǎng)絡(luò)的層

＃原作者的代碼建立了一個(gè)輸入層（784個(gè)神經(jīng)元），一個(gè)全連接層（784個(gè)神經(jīng)元）以及一個(gè)輸出層（10個(gè)神經(jīng)元）
model %>%
  ＃全連接層，units代表輸出緯度，input_shape代表輸入張量的shape。
  layer_dense(units = 784, input_shape = 784) %>%
  
  ＃隨機(jī)停止40%特征檢驗(yàn)，用于提高模型泛化能力。
  layer_dropout(rate=0.4)%>% 
  
  ＃選取隱層激活函數(shù)RELU
  layer_activation(activation = 'relu') %>%  
  
  ＃輸出層（一共10個(gè)數(shù)字，所以輸出緯度為10）
  layer_dense(units = 10) %>% 
  
  ＃選取隱層激活函數(shù)RELU
  layer_activation(activation = 'softmax') 
  
summary(model) # 使用summary()查看模型細(xì)節(jié)

選擇損失函數(shù)、優(yōu)化器和指標(biāo)來編譯模型

model %>% compile(
loss = 'categorical_crossentropy', ＃損失函數(shù)
optimizer = 'adam', ＃優(yōu)化器
metrics = c('accuracy') ＃指標(biāo)
)

訓(xùn)練和評估模型

＃使用fit()函數(shù)來訓(xùn)練模型，epochs為100，batch_size為128
model %>% fit(train_x, train_y, epochs = 100, batch_size = 128) 
＃通過測試數(shù)據(jù)評估模型表現(xiàn)
loss_and_metrics <- model %>% evaluate(test_x, test_y, batch_size = 128)

訓(xùn)練模型時(shí)上述代碼直接繪制出每一步epoch下loss和acc的值，也可以定義模型，比如mymodel<-model，之后用plot(mymodel)查看繪制過程。

之后可以通過以下代碼查看預(yù)測訓(xùn)練集的結(jié)果。

model %>% predict_classes(x_test)

我的電腦運(yùn)行時(shí)間為12s/epoch，在測試集上的loss=0.1076, acc=0.9857?？梢哉f是非常不錯(cuò)的一個(gè)結(jié)果。

總結(jié)和學(xué)習(xí)筆記

我并沒有使用python去對比結(jié)果，但NSS的文章中有做對比，數(shù)據(jù)顯示R與Python相比在各方面的差別都不大。雖然這只是一個(gè)簡單的多層感知器，但是深度學(xué)習(xí)在R語言上的應(yīng)用會(huì)由此展開，雙方將再次與同一水平線上競爭。Keras與R語言的其他package的合并使用或許會(huì)為深度學(xué)習(xí)帶來一些前所未有的體驗(yàn)。

此文章中有很多不足之處，我會(huì)繼續(xù)學(xué)習(xí)并且持續(xù)更新。

歡迎一起討論～

郵箱zhaotian151@126.com
轉(zhuǎn)載請注出處
by zt

以下為一些參考資料：
快速開始序貫（Sequential）模型：https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

Keras各種layer的作用及用法：https://www.jianshu.com/p/86d667ee3c62

Getting started with Deep Learning using Keras and TensorFlow in R：https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/?spm=5176.100239.blogcont109827.13.QVuLG8

如何選擇優(yōu)化器optimizer https://www.jianshu.com/p/d99b83f4c1a6/

到此這篇關(guān)于R語言基于Keras的MLP神經(jīng)網(wǎng)絡(luò)的文章就介紹到這了,更多相關(guān)R語言Keras神經(jīng)網(wǎng)絡(luò)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論