DL框架之AutoKeras框架:深度学习框架AutoKeras框架的简介、特点、安装、使用方法详细攻略

简介: DL框架之AutoKeras框架:深度学习框架AutoKeras框架的简介、特点、安装、使用方法详细攻略

目录


AutoKeras框架的简介


AutoKeras框架的特点


AutoKeras的安装


AutoKeras框架的使用方法




AutoKeras框架的简介



       AutoKeras是一个开源的,基于 Keras 的新型 AutoML 库。AutoKeras 是一个用于自动化机器学习的开源软件库,提供自动搜索深度学习模型的架构和超参数的功能。

(1)、Keras 是一个用 Python 编写的高级神经网络 API,能够在 TensorFlow、CNTK 或 Theano 之上运行。它的意义在于可以实现快速实验。而能够以最小的延迟把想法变成结果是顺利进行研究的关键。


      AutoKeras比AutoML伟大的地方就是开源,哈哈,开源就等同于免费!这是我非常喜欢的一点!!!简而言之,AutoML是给有钱的公司玩的,像我们这样做学术研究的, AutoKeras简直妙不可言!!


官方网站:https://autokeras.com/

项目github:https://github.com/jhfjhfj1/autokeras

TensorFlow版本:https://github.com/melodyguan/enas

PyTorch 版本:https://github.com/carpedm20/ENAS-pytorch



AutoKeras框架的特点


1、AutoKeras 基于非常易于使用的深度学习数据库 Keras,使用 ENAS 的方法。ENAS 是 NAS 的最新版本,因此让 AutoKeras 具有高效、安装简单、参数可调、易修改等特点。



AutoKeras的安装


1、安装AutoKeras


pip install autokeras

image.png

image.png



2、测试

import autokeras as ak

clf = ak.ImageClassifier()

clf.fit(x_train, y_train)

results = clf.predict(x_test)

#导出模型

from autokeras import ImageClassifier

clf = ImageClassifier(verbose=True, augment=False)

clf.load_searcher().load_best_model().produce_keras_model().save('my_model.h5')

#可视化模型

from keras.models import load_model

model = load_model('my_model.h5') #See 'How to export keras models?' to generate this file before loading it.

from keras.utils import plot_model

plot_model(model, to_file='my_model.png')


AutoKeras框架的使用方法


1、举个栗子


from keras.datasets import mnist

from autokeras.image_supervised import ImageClassifier

if __name__ == '__main__':

   (x_train, y_train), (x_test, y_test) = mnist.load_data()

   x_train = x_train.reshape(x_train.shape + (1,))

   x_test = x_test.reshape(x_test.shape + (1,))

   clf = ImageClassifier(verbose=True)

   clf.fit(x_train, y_train, time_limit=12 * 60 * 60)

   clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)

   y = clf.evaluate(x_test, y_test)

   print(y)

2、再举一个栗子


# coding:utf-8

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import numpy as np

import matplotlib.pyplot as plt

from scipy.misc import imresize

import cv2

from autokeras.image_supervised import ImageClassifier

from sklearn.metrics import accuracy_score

from keras.models import load_model

from keras.utils import plot_model

import time

start = time.time()

def read_img(path,class_num):

   imgName_list = os.listdir(path)

   n = len(imgName_list)

   # img_index,img_colummns,img_rgbSize = plt.imread(path+'/'+imgName_list[0]).shape

   img_index, img_colummns = [28,38]  # 这个设置很重要。如果你的电脑很好的话可以忽略设置。要不然内存不足的。

   print(img_index,img_colummns)

   data = np.zeros([n,img_index,img_colummns,1])

   label = np.zeros([n,1])

   class_number = 0

   for i in range(n):

       imgPath = path+'/'+imgName_list[i]

       data[i,:,:,0] = imresize(cv2.cvtColor(plt.imread(imgPath),cv2.COLOR_BGR2GRAY),[img_index,img_colummns])

       if (i)%(class_num) == 0:

           class_number = class_number+1

       label[i,0] = class_number

   return data,label

x_train,y_train = read_img('./data/re/train',80)

x_test,y_test = read_img('./data/re/test',20)

animal = ['bus', 'dinosaur', 'flower', 'horse', 'elephant']  # 动物类别对应 labelValue 为 [1,2,3,4,5]

# plt.imshow(x_test[0,:,:,0],cmap='gray')

# plt.show()

if __name__=='__main__':

   # 模型构建

   model = ImageClassifier(verbose=True)

   # 搜索网络模型

   model.fit(x_train,y_train,time_limit=1*60)

   # 验证最优模型

   model.final_fit(x_train,y_train,x_test,y_test,retrain=True)

   # 给出评估结果

   score = model.evaluate(x_test,y_test)

   # 识别结果

   y_predict = model.predict(x_test)

   # 精确度

   accuracy = accuracy_score(y_test,y_predict)

   # 打印出score与accuracy

   print('score:',score,'  accuracy:',accuracy)

   model_dir = r'./modelStructure/imgModel.h5'

   model_img = r'./modelStructure/imgModel_ST.png'

   # 保存可视化模型

   # model.load_searcher().load_best_model().produce_keras_model().save(model_dir)

   # 加载模型

   # automodel = load_model(model_dir)

   # 输出模型 structure 图

   # plot_model(automodel, to_file=model_img)

   end = time.time()

   print(end-start)

 


相关文章
|
11天前
|
机器学习/深度学习 API 语音技术
|
11天前
|
机器学习/深度学习 自然语言处理 算法
深度学习算法简介(二)
深度学习算法简介(二)
|
11天前
|
机器学习/深度学习 自然语言处理 算法
深度学习算法简介(一)
深度学习算法简介(一)
|
11天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的应用与挑战移动应用开发的未来:跨平台框架与原生操作系统的融合
【4月更文挑战第30天】 随着人工智能的迅猛发展,深度学习技术已成为图像识别领域的核心竞争力。本文章将探讨深度学习在图像识别中的应用,并分析其面临的主要挑战。我们将从卷积神经网络(CNN)的基础架构出发,讨论其在图像分类、目标检测和语义分割等方面的应用案例,同时指出数据偏差、模型泛化能力以及对抗性攻击等问题对图像识别准确性的影响。通过实例分析和最新研究成果,本文旨在为读者提供一个关于深度学习在图像处理领域内应用的全面视角。
|
11天前
|
机器学习/深度学习 数据采集 测试技术
|
11天前
|
机器学习/深度学习 TensorFlow API
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
|
11天前
|
机器学习/深度学习 人工智能 算法
深度学习1(知识简介)
深度学习1(知识简介)
|
11天前
|
机器学习/深度学习 PyTorch API
|
11天前
|
机器学习/深度学习 人工智能 PyTorch
【Hello AI】安装和使用AIACC-AGSpeed(优化PyTorch深度学习模型)
AIACC-AGSpeed(简称AGSpeed)专注于优化PyTorch深度学习模型在阿里云GPU异构计算实例上的计算性能,相比原始的神龙AI加速引擎AIACC,可以实现无感的计算优化性能。本文为您介绍安装和使用AGSpeed的方法。
|
17小时前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别在自动驾驶系统中的应用
【5月更文挑战第25天】 随着人工智能技术的飞速发展,深度学习作为其重要分支之一,在图像识别领域取得了革命性的进步。尤其是在自动驾驶技术中,基于深度学习的图像识别系统不仅增强了车辆的环境感知能力,还极大提升了决策系统的智能化水平。本文旨在探讨深度学习技术在自动驾驶车辆图像识别系统中的应用,并分析其对提升自动驾驶安全性和可靠性的影响。通过梳理关键技术点和挑战,文章为未来相关研究提供了方向和参考。