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

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。

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')

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 sklearn.metrics import accuracy_score

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)