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！！
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
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)