R平台玩深度学习教程

测试开头

本文介绍R平台玩深度学习的内容。

R平台玩深度学习教程

R平台深度学习环境构建

第一步：安装Anaconda软件并创建环境r-tensorflow

Anaconda软件安装，请阅读文章《Anaconda软件安装和简易使用教程》
创建环境r-tensorflow的命令

conda create --name r-tensorflow python=3.6

【温馨提示】为了能够在R平台上面使用深度学习框架tensorflow，请一定创建环境r-tensorflow。

第二步：在r-tensorflow环境下安装tensorflow和keras

r-tensorflow环境下安装tensorflow和keras，请阅读下面文章。
1 《Anaconda软件安装TensorFlow教程》
2 《Anaconda软件安装Keras教程》

第三步：安装R和RStudio软件

R软件官网：http://r-project.org
RStudio软件官网：http://rstudio.com

第四步：打开RStudio软件安装keras包

R代码

install.packages("keras")

前面4步是搭建R平台的深度学习工作环境，后面介绍R平台深度学习的应用。

MNIST图像识别问题

对MNIST数据集做手写数字识别，MNIST包含一系列28×28的灰色手写数字图像，如下所示：
R平台玩深度学习教程

第一步：数据准备

数据准备包括数据获取/数据分割/数据处理（重构和归一化和one-hot编码）
R代码

mnist <- dataset_mnist()
x.train <- mnist$train$x
y.train <- mnist$train$y
x.test <- mnist$test$x
y.test <- mnist$test$y
dim(x.train) <- c(nrow(x.train), 28*28)
dim(x.test) <- c(nrow(x.test), 28*28)
x.train <- x.train / 255
x.test <- x.test / 255
y.train <- to_categorical(y.train, 10)
y.test <- to_categorical(y.test, 10)
str(x.train)
str(y.train)

第二步：模型设计

模型设计包括神经网络结构设计/损失函数+优化方法+度量准则设置
R代码

model <- keras_model_sequential() 
model %>% 
  layer_dense(units = 256, activation = 'relu', input_shape = c(784)) %>% 
  layer_dropout(rate = 0.4) %>% 
  layer_dense(units = 128, activation = 'relu') %>%
  layer_dropout(rate = 0.3) %>%
  layer_dense(units = 10, activation = 'softmax')
summary(model)
model %>% compile(
  loss = 'categorical_crossentropy',
  optimizer = optimizer_rmsprop(),
  metrics = c('accuracy')
)

第三步：模型拟合和评价

R代码

history <- model %>% fit(
  x.train, y.train, 
  epochs = 30, 
  batch_size = 128, 
  validation_split = 0.2
)
plot(history)
model %>% evaluate(x.test, y.test)