[[197801]]

引言：

在R和Python之間如何進(jìn)行選擇一直是一個(gè)熱議的話題。機(jī)器學(xué)習(xí)世界也被不同語言偏好所劃分。但是隨著深度學(xué)習(xí)的盛行，天平逐漸向Python傾斜，因?yàn)榻刂聊壳盀橹筆ython具有大量R所沒有的深度學(xué)習(xí)的資源庫和框架。

我個(gè)人從R轉(zhuǎn)到Python是因?yàn)槲蚁敫由钊霗C(jī)器學(xué)習(xí)的領(lǐng)域，而僅僅使用R的話，這(在之前)是幾乎不可能實(shí)現(xiàn)的事情。不過也僅此而已!

隨著Keras在R中的實(shí)現(xiàn)，語言選擇的斗爭又重新回到舞臺(tái)中央。Python幾乎已經(jīng)慢慢變成深度學(xué)習(xí)建模的默認(rèn)語言，但是隨著在R中以TensorFlow(CPU和GPU均兼容)為后端的Keras框架的發(fā)行, 即便是在深度學(xué)習(xí)領(lǐng)域，R與Python搶占舞臺(tái)的戰(zhàn)爭也再一次打響。

下面我們將會(huì)看到怎樣在R中安裝以TensorFlow為基礎(chǔ)的Keras框架，然后在RStudio中構(gòu)建我們基于經(jīng)典MNIST數(shù)據(jù)集的***個(gè)神經(jīng)網(wǎng)絡(luò)模型。

內(nèi)容列表：

• 以TensorFlow為后端的Keras框架安裝
• 在R中可以使用Keras來構(gòu)建模型的不同類型
• 在R中使用MLP將MNIST手寫數(shù)字進(jìn)行歸類
• 將MNIST結(jié)果與Python中同等代碼結(jié)果進(jìn)行比較
• 結(jié)語

一、以TensorFlow為后端的Keras框架安裝

在RStudio中安裝Keras的步驟非常簡單。只要跟著以下步驟，你就可以在R中構(gòu)建你的***個(gè)神經(jīng)網(wǎng)絡(luò)模型。

install.packages("devtools") 
 
devtools::install_github("rstudio/keras")  

以上步驟會(huì)從Github資源庫下載Keras。現(xiàn)在是時(shí)候把keras加載進(jìn)R，然后安裝TensorFlow。

library(keras) 

在默認(rèn)情況下，RStudio會(huì)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。

install_tensorflow() 

如要為單獨(dú)用戶或桌面系統(tǒng)安裝GPU支持的TensorFlow，使用以下指令。

install_tensorflow(gpu=TRUE) 

為多重用戶安裝，請(qǐng)參考這個(gè)指南：https://tensorflow.rstudio.com/installation_gpu.html。

現(xiàn)在在我們的RStudio里，keras和TensorFlow都安裝完畢了。讓我們開始構(gòu)建***個(gè)在R中的神經(jīng)網(wǎng)絡(luò)來處理MNIST數(shù)據(jù)集吧。

二、在R中可以使用keras來構(gòu)建模型的不同類型

以下是可以在R中使用Keras構(gòu)建的模型列表

1. 多層感知器(Multi-Layer Perceptrons)
2. 卷積神經(jīng)網(wǎng)絡(luò)(Convoluted Neural Networks)
3. 遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks)
4. Skip-Gram模型
5. 使用預(yù)訓(xùn)練的模型(比如VGG16、RESNET等)
6. 微調(diào)預(yù)訓(xùn)練的模型

讓我們從構(gòu)建僅有一個(gè)隱藏層的簡單MLP模型開始，來試著對(duì)手寫數(shù)字進(jìn)行歸類。

三、在R中使用MLP將MNIST手寫數(shù)字進(jìn)行歸類

#loading keras library 
 
library(keras) 
 
#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(xùn)練精度和96.89%的驗(yàn)證精度。在我的i5處理器上跑這段代碼完整訓(xùn)練一次用時(shí)13.5秒，而在TITANx GPU上，驗(yàn)證精度可以達(dá)到98.44%，訓(xùn)練一次平均用時(shí)2秒。

四、使用keras來構(gòu)建MLP模型——R Vs. Python

為了更好地比較，我同樣使用Python來實(shí)現(xiàn)解決以上的MINIST歸類問題。結(jié)果不應(yīng)當(dāng)有任何差別，因?yàn)镽會(huì)創(chuàng)建一個(gè)進(jìn)程(conda instance)并在其中運(yùn)行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(dá)到了98.42%的驗(yàn)證精度。所以，就像我們?cè)谝婚_始猜測的那樣，結(jié)果是相同的。

五、結(jié)語

如果這是你用R構(gòu)建的***個(gè)深度學(xué)習(xí)模型，我希望你很享受這個(gè)過程。使用很簡單的代碼，你就可以對(duì)手寫數(shù)值進(jìn)行精確度達(dá)到98%的分類。這應(yīng)該可以給你足夠的動(dòng)力讓你在機(jī)器學(xué)習(xí)的領(lǐng)域探索。

如果你已經(jīng)在Python中使用過keras深度學(xué)習(xí)框架，那么你會(huì)發(fā)現(xiàn)R中keras框架的句式和結(jié)構(gòu)跟其在Python中非常相似。事實(shí)上，R中的keras安裝包創(chuàng)造了一個(gè)conda環(huán)境而且安裝了在該環(huán)境下運(yùn)行keras所需要的所有東西。但是，更讓我興奮的是：看到現(xiàn)在數(shù)據(jù)科學(xué)家們使用R構(gòu)建有關(guān)現(xiàn)實(shí)生活的深度學(xué)習(xí)模型。就像有句話說的一樣，競爭永不停歇。