Keras实现LSTM

这里我们将要使用Keras搭建LSTM.Keras封装了一些优秀的深度学习框架的底层实现，使用起来相当简洁，甚至不需要深度学习的理论知识，你都可以轻松快速的搭建你的深度学习网络，强烈推荐给刚入门深度学习的同学使用，当然我也是还没入门的那个。Keras：https://keras.io/，keras的backend有，theano，TensorFlow、CNTk，这里我使用的是TensorFlow。

下面我们就开始搭建LSTM，实现mnist数据的分类。

step 0 加载包和定义参数

mnist的image是28*28的shape，我们定义LSTM的input为(28,),将image一行一行地输入到LSTM的cell中，这样time_step就是28，表示一个image有28行，LSTM的output是30个。

from keras.datasets import mnist
from keras.layers import Dense, LSTM
from keras.utils import to_categorical
from keras.models import Sequential

#parameters for LSTM
nb_lstm_outputs = 30  #神经元个数
nb_time_steps = 28  #时间序列长度
nb_input_vector = 28 #输入序列

step 1 数据预处理

特别注意label要使用one_hot encoding，x_train的shape(60000, 28,28）

#data preprocessing: tofloat32, normalization, one_hot encoding
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

step 2 搭建模型

keras搭建模型相当简单，只需要在Sequential容器中不断add新的layer就可以了。

#build model
model = Sequential()
model.add(LSTM(units=nb_lstm_outputs, input_shape=(nb_time_steps, nb_input_vector)))
model.add(Dense(10, activation='softmax'))

 

step 3 compile

模型compile，指定loss function， optimizer， metrics

#compile:loss, optimizer, metrics
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

 

 step 4 train

模型训练，需要指定，epochs训练的轮次数，batch_size。

#train: epcoch, batch_size
model.fit(x_train, y_train, epochs=20, batch_size=128, verbose=1)

 step 5 evaluate

可以使用model.summary()来查看你的神经网络的架构和参数量等信息。

model.summary()

score = model.evaluate(x_test, y_test,batch_size=128, verbose=1)
print(score)

我的最后结果是：