keras4torch 0.8.0

An Easy-to-Use Wrapper for Training PyTorch Models

Keras4Torch

(README in English) (Documentations)

“开箱即用”的PyTorch模型训练高级API

• 对keras爱好者来说，Keras4Torch保留了绝大多数的Keras特性。你能够使用和keras相同的代码运行pytorch模型。

• 对pytorch爱好者来说，Keras4Torch使你只需要几行代码就可以完成pytorch模型的训练、评估和推理。

安装与配置

pip install keras4torch

支持PyTorch 1.6及以上。使用早期版本的torch可能导致部分功能不可用。

快速开始

作为示例，让我们开始编写一个MNIST手写数字识别程序！

import torch
import torchvision
from torch import nn

import keras4torch

Step1: 数据预处理

首先，从torchvision.datasets中加载MNIST数据集，并将每个像素点缩放到[0, 1]之间。

其中前40000张图片作为训练集，后20000张图片作为测试集。

mnist = torchvision.datasets.MNIST(root='./', download=True)
X, y = mnist.train_data, mnist.train_labels

X = X.float() / 255.0

x_train, y_train = X[:40000], y[:40000]
x_test, y_test = X[40000:], y[40000:]

Step2: 构建模型

我们使用torch.nn.Sequential定义一个由三层全连接组成的线性模型，激活函数为ReLU。

接着，使用keras4torch.Model封装Sequential模型，以集成训练API。

model = torch.nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 512), nn.ReLU(),
    nn.Linear(512, 128), nn.ReLU(),
    nn.Linear(128, 10)
)

model = keras4torch.Model(model)

News (v0.4.1): 您也可以使用keras4torch.layers提供的KerasLayer，以自动推算输入维度。

包含KerasLayer的模型需要调用model.build()，其参数是样本的维度。具体示例如下：

import keras4torch.layers as layers

model = torch.nn.Sequential(
    nn.Flatten(),
    layers.Linear(512), nn.ReLU(),
    layers.Linear(128), nn.ReLU(),
    layers.Linear(10)
)

model = keras4torch.Model(model).build(input_shape=[28, 28])

Step3: 设置优化器、损失函数和度量

model.compile()函数对模型进行必要的配置。

参数既可以使用字符串，也可以使用torch.nn模块中提供的类实例。

model.compile(optimizer='adam', loss=nn.CrossEntropyLoss(), metrics=['acc'])

Step4: 训练模型

model.fit()是训练模型的方法，将以batch_size=512运行30轮次。

validation_split=0.2指定80%数据用于训练集，剩余20%用作验证集。

history = model.fit(x_train, y_train,
                	epochs=30,
                	batch_size=512,
                	validation_split=0.2,
                	)

Train on 32000 samples, validate on 8000 samples:
Epoch 1/30 - 0.7s - loss: 0.7440 - acc: 0.8149 - val_loss: 0.3069 - val_acc: 0.9114 - lr: 1e-03
Epoch 2/30 - 0.5s - loss: 0.2650 - acc: 0.9241 - val_loss: 0.2378 - val_acc: 0.9331 - lr: 1e-03
Epoch 3/30 - 0.5s - loss: 0.1946 - acc: 0.9435 - val_loss: 0.1940 - val_acc: 0.9431 - lr: 1e-03
Epoch 4/30 - 0.5s - loss: 0.1513 - acc: 0.9555 - val_loss: 0.1663 - val_acc: 0.9524 - lr: 1e-03
... ...

Step5: 打印学习曲线

model.fit()方法在结束时，返回关于训练历史数据的pandas.DataFrame实例。

history.plot(kind='line', y=['acc', 'val_acc'])

Step6: 在测试集上评估

评估测试集上的损失和准确率。

model.evaluate(x_test, y_test)

{'loss': 0.121063925, 'acc': 0.9736}

社群交流

如果您在使用中遇到问题，可通过如下方式获取支持：

• 提交 Github Issue
• 发送邮件至 [e-mail] 或 [e-mail]

贡献

如果您有任何的想法和建议，请随时和我们联系，您的想法对我们非常重要。

同时也欢迎您加入我们，一同维护这个项目。