獨家 | 教你在R中使用Keras和TensorFlow建構深度學習模型

引言：

在R和Python之間如何進行選擇一直是一個熱議的話題。機器學習世界也被不同語言偏好所劃分。但是随着深度學習的盛行，天平逐漸向Python傾斜，因為截至目前為止Python具有大量R所沒有的深度學習的資源庫和架構。

我個人從R轉到Python是因為我想更加深入機器學習的領域，而僅僅使用R的話，這（在之前）是幾乎不可能實作的事情。不過也僅此而已！

随着Keras在R中的實作，語言選擇的鬥争又重新回到舞台中央。Python幾乎已經慢慢變成深度學習模組化的預設語言，但是随着在R中以TensorFlow（CPU和GPU均相容）為後端的Keras架構的發行, 即便是在深度學習領域，R與Python搶占舞台的戰争也再一次打響。

下面我們将會看到怎樣在R中安裝以TensorFlow為基礎的Keras架構，然後在RStudio中建構我們基于經典MNIST資料集的第一個神經網絡模型。

内容清單：

以TensorFlow為後端的Keras架構安裝

在R中可以使用Keras來構模組化型的不同類型

在R中使用MLP将MNIST手寫數字進行歸類

将MNIST結果與Python中同等代碼結果進行比較

結語

一、以TensorFlow為後端的Keras架構安裝

在RStudio中安裝Keras的步驟非常簡單。隻要跟着以下步驟，你就可以在R中建構你的第一個神經網絡模型。

install.packages("devtools")

devtools::install_github("rstudio/keras")

以上步驟會從Github資源庫下載下傳Keras。現在是時候把keras加載進R，然後安裝TensorFlow。

library(keras)

在預設情況下，RStudio會加載CPU版本的TensorFlow。如果沒有成功加載CPU版本的TensorFlow, 使用以下指令來下載下傳。

install_tensorflow()

如要為單獨使用者或桌面系統安裝GPU支援的TensorFlow，使用以下指令。

install_tensorflow(gpu=TRUE)

為多重使用者安裝，請參考這個指南：https://tensorflow.rstudio.com/installation_gpu.html。

現在在我們的RStudio裡，keras和TensorFlow都安裝完畢了。讓我們開始建構第一個在R中的神經網絡來處理MNIST資料集吧。

二、在R中可以使用keras來構模組化型的不同類型

以下是可以在R中使用Keras建構的模型清單

多層感覺器(Multi-Layer Perceptrons)

卷積神經網絡(Convoluted Neural Networks)

遞歸神經網絡(Recurrent Neural Networks)

Skip-Gram模型

使用預訓練的模型（比如VGG16、RESNET等）

微調預訓練的模型

讓我們從建構僅有一個隐藏層的簡單MLP模型開始，來試着對手寫數字進行歸類。

三、在R中使用MLP将MNIST手寫數字進行歸類

#loading keras library

#loading the keras inbuilt mnist dataset

data<-dataset_mnist()

#separating train and test file

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)

以上的代碼獲得了99.14%的訓練精度和96.89%的驗證精度。在我的i5處理器上跑這段代碼完整訓練一次用時13.5秒，而在TITANx GPU上，驗證精度可以達到98.44%，訓練一次平均用時2秒。

四、使用keras來建構MLP模型——R Vs. Python

為了更好地比較，我同樣使用Python來實作解決以上的MINIST歸類問題。結果不應當有任何差别，因為R會建立一個程序（conda instance）并在其中運作keras。但你仍然可以嘗試以下同等的Python代碼。

#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'))

# 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))

以上模型在同樣的GPU上達到了98.42%的驗證精度。是以，就像我們在一開始猜測的那樣，結果是相同的。

五、結語

如果這是你用R建構的第一個深度學習模型，我希望你很享受這個過程。使用很簡單的代碼，你就可以對手寫數值進行精确度達到98%的分類。這應該可以給你足夠的動力讓你在機器學習的領域探索。

如果你已經在Python中使用過keras深度學習架構，那麼你會發現R中keras架構的句式和結構跟其在Python中非常相似。事實上，R中的keras安裝包創造了一個conda環境而且安裝了在該環境下運作keras所需要的所有東西。但是，更讓我興奮的是：看到現在資料科學家們使用R建構有關現實生活的深度學習模型。就像有句話說的一樣，競争永不停歇。

原文釋出時間為：2017-08-03 

本文作者：NSS

本文來自雲栖社群合作夥伴“資料派THU”，了解相關資訊可以關注“資料派THU”微信公衆号