MNIST (DCNN) avec Keras

Qu'est-ce que Keras

Bibliothèque pour faciliter l'utilisation de Theano et TensorFlow

Environnement d'exécution

Instance EC2 (AWS) g2.2xlarge (Oregon = ouest des États-Unis) Python 2.7.6 TensorFlow 0.8.0

L'instance AWS a été initialisée à l'aide de l'AMI d'une autre personne, mais si vous souhaitez l'introduire vous-même, reportez-vous à ce qui suit

Il semble que vous n'ayez plus besoin de construire à partir de la source pour exécuter TensorFlow sur l'instance GPU EC2?

Installation de Keras

Faites comme dans Documentation En supposant que TensorFlow est déjà installé, ajoutez "udo "si nécessaire

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

Une fois de python

import keras

Exécutez Keras en tant que et modifiez '~ / .keras / keras.json' comme suit

"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])

Page référencée

Deep Learning Library Keras Keras Documentation

MNIST (DCNN) avec Keras (backend TensorFlow)