近年来深度学习在人工智能领域飞速发展，各行业的学者、研究人员纷纷涌入研究热潮。本文将从 R 语言角度来介绍深度学习并解决以下几个问题：
- 什么是深度学习？
- 相关深度学习包有哪些？
- 如何配置工作环境？
- 如何使用神经网络建立模型？
本文主要解决：如何使用神经网络建立模型？，其他推文可见：基于 R 语言的深度学习——配置环境；基于 R 语言的深度学习——简介及资料分享。
简单神经网络建模
本节将从一个简单的回归例子[1]来介绍如何在 R 中使用 keras 包进行深度学习。
该案例是在 CPU 下进行的。如果你的设备有 GPU，并想用 GPU 训练模型。你不需要修改以下的代码，只需前期安装 GPU 版本的 TensorFlow，默认情况下，运算会优先使用 GPU。
知识点包括：
- 数据导入与数据处理。
- 构建神经网络。
- 训练神经网络。
- 评估模型的准确性。
- 保存并恢复创建的模型。
加载包
library(keras) library(mlbench) #使用内部数据 library(dplyr) library(magrittr)
加载数据
使用 1970 年波士顿 506 个人口普查区的住房数据作为例子。该数据集一共有 14 列，506 行。其中，因变量为 medv（自有住房的中位数报价, 单位 1000 美元），自变量为其他 13 个变量，包括：CRIM （城镇人均犯罪率）、ZN（占地面积超过 25000 平方英尺的住宅用地比例）、INDUS （每个城镇非零售业务的比例）等。
data("BostonHousing") data <- BostonHousing data %<>% mutate_if(is.factor, as.numeric) knitr::kable(head(data[,1:12])) #由于呈现不了所有列，这里只展示 12 列的前 6 行数据。
| crim | zn | indus | chas | nox | rm | age | dis | rad | tax | ptratio | b |
| 0.0063 | 18 | 2.31 | 1 | 0.538 | 6.575 | 65.2 | 4.090 | 1 | 296 | 15.3 | 396.9 |
| 0.0273 | 0 | 7.07 | 1 | 0.469 | 6.421 | 78.9 | 4.967 | 2 | 242 | 17.8 | 396.9 |
| 0.0273 | 0 | 7.07 | 1 | 0.469 | 7.185 | 61.1 | 4.967 | 2 | 242 | 17.8 | 392.8 |
| 0.0324 | 0 | 2.18 | 1 | 0.458 | 6.998 | 45.8 | 6.062 | 3 | 222 | 18.7 | 394.6 |
| 0.0690 | 0 | 2.18 | 1 | 0.458 | 7.147 | 54.2 | 6.062 | 3 | 222 | 18.7 | 396.9 |
| 0.0299 | 0 | 2.18 | 1 | 0.458 | 6.430 | 58.7 | 6.062 | 3 | 222 | 18.7 | 394.1 |
数据处理
首先，对 506 条数据进行划分。随机选择其中的 70% 数据作为训练样本，另外 30% 数据作为测试样本。
# 构建矩阵 data <- as.matrix(data) dimnames(data) <- NULL # 数据集划分 set.seed(1234) ind <- sample(2, nrow(data), replace = T, prob = c(.7, .3)) #从 1，2 中有放回抽取一个数，概率分别为（0.7，0.3）。 training <- data[ind==1,1:13] test <- data[ind==2, 1:13] trainingtarget <- data[ind==1, 14] testtarget <- data[ind==2, 14]
此外，由于各个特征的数据范围不同，直接输入到神经网络中，会让网络学习变得困难。所以在进行网络训练之前，先将该数据集进行特征标准化：输入数据中的每个特征，将其减去特征平均值并除以标准差，使得特征值以 0 为中心，且具有单位标准差。在 R 中可以使用 scale() 函数实现该效果。
数据集 BostonHousing 也可以直接通过 keras 包中的
dataset_boston_housing()进行加载，并且已经提前划分好了训练集和测试集。本文使用的是 mlbench 包中数据集进行加载，主要是呈现划分数据集的过程。
# 数据标准化 m <- colMeans(training) s <- apply(training, 2, sd) training <- scale(training, center = m, scale = s) test <- scale(test, center = m, scale = s)
构建模型
由于可用样本量很少，这里构建一个非常小的网络。使用 keras_model_sequential() 定义模型，并设置了 1 个隐藏层和 1 个输出层。激活函数为 relu。
model <- keras_model_sequential() %>% layer_dense(units = 10, activation = 'relu', input_shape = c(13)) %>% layer_dense(units = 1)
通过 summary() 查看模型个层形状和参数，可以看到，总共包含 151 个参数。
summary(model) ## Model: "sequential" ## ________________________________________________________________________________ ## Layer (type) Output Shape Param # ## ================================================================================ ## dense_1 (Dense) (None, 10) 140 ## ## dense (Dense) (None, 1) 11 ## ## ================================================================================ ## Total params: 151 ## Trainable params: 151 ## Non-trainable params: 0 ## ________________________________________________________________________________
编译模型
编译主要需要设定三个部分：
- 损失函数：训练期间需要最小化的目标函数；
- 优化器：对数据和损失函数进行自我更新；
- 监控度量：训练和测试期间的评价标准。
该例子是一个典型的回归问题，我们使用的损失函数是均方误差（Mean Square Error，MSE），即预测和目标之间差异的平方。使用均方根传播方法（Root Mean Squared Propagation，RMSProp）作为该模型的优化器。使用平均绝对误差（Mean Absolute Error，MAE）来监控网络。
model %>% compile(loss = 'mse', #损失函数 optimizer = 'rmsprop', #优化器 metrics = 'mae'#监控度量 )
优化器有很多种，详细介绍可参考：理论[2]、实践[3]；损失函数和评价度量的选择，可以参考这篇博客[4]。
拟合模型
拟合模型时，RStudio 的 Viewer 会出现：随着迭代变化的损失函数值。如下所示：
mymodel <- model %>% fit(training, trainingtarget, epochs = 200, batch_size = 32, validation_split = 0.2)
图中的 loss 是指损失函数，val_loss 是指验证集下的损失函数（代码中设置的验证集划分比例为 0.2）。mae 表示平均绝对误差，而 val_mae 表示验证集下的平均绝对误差。图中可以看到，随着训练轮数的增加，mae 与 loss 在不断减小并趋于稳定。
评估模型
使用 evaluate() 评估模型，给出预测结果。计算真实值和预测值的均方误差。
model %>% evaluate(test, testtarget) ## loss mae ## 42.571 4.185 pred <- predict(model,test) #预测结果 mean((testtarget-pred)^2) #计算均方误差 ## [1] 42.57
通过 ggplot2[5] 包将预测结果和真实结果可视化。
library(ggplot2) library(viridis) library(ggsci) ev_data = data.frame("Item" = seq(1,length(pred)), "Value" = c(testtarget,pred), "Class" = rep(c("True","Pred"),each = length(pred))) ggplot(ev_data) + geom_line(aes(Item,Value,col = Class,lty = Class)) + scale_color_aaas() + theme_bw() + theme(panel.grid = element_blank())
总体来看，预测结果还算不错，但是也有一些预测结果和真实值相差甚远。主要原因是，我们没有调整参数来使模型达到最优的效果。读者可以使用 K 折验证的方法来寻找最有的参数，例如：训练轮数，神经网络层数，各层神经元数等。具体案例可以见 《Deep Learning with R》的第 3.6.4 节[6]。
存储 / 加载模型
为了保存 Keras 模型以供未来使用，使用 save_model_tf() 函数保存模型。
save_model_tf(object = model, filepath = "BostonHousing_model") #保存模型
使用 load_model_tf() 函数加载模型，并对新数据集（下面使用测试集）进行预测。
reloaded_model <- load_model_tf("BostonHousing_model") #加载模型 predict(reloaded_model, test) #对新数据集进行预测
相关拓展
以上例子介绍了如何使用神经网络来处理简单问题（数据量较小的回归问题），但在实际过程中可能面临种种困难，包括：如何对数据进行预处理，如何进行特征筛选，如何解决过拟合问题，如何调整参数等。
由于笔者时间和能力有限，这篇推文不能一一给出系统的解决方案。相关资源可见：基于 R 语言的深度学习——简介及资料分享，以供读者翻阅。
该系列还会继续写下去，欢迎来我的公众号《庄闪闪的 R 语言手册》关注新内容。
参考资料
[1]
[2]
理论: http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf
[3]
实践: https://keras.io/api/optimizers/
[4]
[5]
ggplot2: https://ggplot2.tidyverse.org/
[6]
