R语言也能进行深度学习了？如何用Tensorflow把R玩起来？

作者| NSS

译者 | 袁虎

审校 | 阿福

R语言现在能也进行深度学习了，而且和python一样好，快来试一试吧。

众所周知，R语言是统计分析最好用的语言。但在Keras和TensorFlow的帮助下，R语言也可以进行深度学习了。

在机器学习的语言的选择上，R和Python之间选择一直是一个有争议的话题。但随着深度学习的爆炸性增长，越来越多的人选择了Python，因为它有一个很大的深度学习库和框架，而R却没有（直到现在）。

但是我就是想使用R语言进入深度学习空间，所以我就从Python领域转入到了R领域，继续我的深度学习的研究了。这可能看起来几乎不可能的。但是今天这变成了可能。

随着Keras在R上的推出，R与Python的斗争回到了中心。Python慢慢成为了最流行的深度学习模型。但是，随着Keras库在R后端的发布，并且在后台还可以使用张力流（TensorFlow）（CPU和GPU兼容性），所以在深度学习领域，R将再次与Python打成平手。

下面我们将看到如何使用Tensorflow在R中安装Keras，并在RStudio的经典MNIST数据集上构建我们的第一个神经网络模型。

目录：

1. 在后端安装带有张量的Keras。

2. 使用Keras可以在R中构建不同类型的模型。

3. 在R中使用MLP对MNIST手写数字进行分类。

4. 将MNIST结果与Python中的等效代码进行比较。

5. 结束笔记。

1. 在后端安装带有TensorFlow的Keras。

在RStudio中安装Keras的步骤非常简单。只需按照以下步骤，您将很顺利的在R中创建您的第一个神经网络模型。

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

上述步骤将从GitHub仓库加载keras库。现在是将keras加载到R并安装TensorFlow的时候了。

library(keras)

默认情况下，RStudio加载TensorFlow的CPU版本。使用以下命令下载TensorFlow的CPU版本。

install_tensorflow()

要为单个用户/桌面系统安装具有GPU支持的TensorFlow版本，请使用以下命令。

install_tensorflow(gpu=TRUE)

有关更多的用户安装，请参阅本安装指南。

现在我们在RStudio中安装了keras和TensorFlow，让我们在R中启动和构建我们的第一个神经网络来解决MNIST数据集。

2. 使用keras可以在R中构建的不同类型的模型

以下是使用Keras可以在R中构建的模型列表。

• 多层感知器

• 卷积神经网络

• 循环神经网络

• Skip-Gram模型

• 使用预先训练的模型，如VGG16，RESNET等

• 微调预先训练的模型。

让我们开始构建一个非常简单的MLP模型，只需一个隐藏的层来尝试分类手写数字。

3.使用R中的MLP对MNIST手写数字进行分类

#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)

上述代码的训练精度为99.14，验证准确率为96.89。代码在i5处理器上运行，运行时间为13.5秒，而在TITANx GPU上，验证精度为98.44，平均运行时间为2秒。

4. MLP使用keras–R VS Python

为了比较起见，我也在Python中实现了上述的MNIST问题。我觉得在keras-R和Python中应该没有任何区别，因为R中的keras创建了一个conda实例并在其中运行keras。你可以尝试运行一下下面等效的python代码。

#importing the required libraries for the MLP model
import  keras
from  keras.models  
import Sequentialimport  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))

上述模型在同一GPU上实现了98.42的验证精度。所以，我们最初猜到的结果是正确的。

5. 结束笔记

如果这是你在R的第一个深度学习模型，我希望你喜欢它。通过一个非常简单的代码，您可以有98%位准确率对是否为手写数字进行分类。这应该是足够的动力让你开始深度学习。

如果您已经在Python中使用keras深度学习库，那么您将在R中找到keras库的语法和结构与Python中相似的地方。事实上，R中的keras包创建了一个conda环境，并安装了在该环境中运行keras所需的一切。但是，让我更为激动的是，现在看到数据科学家在R中建立现实生活中的深层次的学习模型。据说 - 竞争应该永远不会停止。我也想听听你对这一新发展观点的看法。你可以在下面留言分享你的看法。

本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。

文章为简译，更为详细的内容，请查看原文

原文：《Getting started with Deep Learning using Keras and TensorFlow in R》

https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/?spm=5176.100239.blogcont109827.13.QVuLG8

译文地址 - https://yq.aliyun.com/articles/109827

招聘

AI100现招聘技术编辑、实习生，有意向请将简历投往：[e-mail]

咨询请联系微信greta1314

课程结合实例介绍使用TensorFlow开发机器学习应用的详细方法和步骤，着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。 所有案例均来自讲师团队工作中的亲身实践，所选案例均是深度学习的经典应用，非常具有代表性。

就差你还没关注这个号了