R 语言对 Keras 的接口

Keras 是一个高级神经网络 API，专注于支持快速实验。将想法迅速转化为成果的能力，是开展优秀研究的关键。 Keras 具有以下主要特性：

• 支持同一段代码在 CPU 或 GPU 上无缝运行。

• 提供用户友好的 API，便于快速构建深度学习模型原型。

• 内置对卷积网络（用于计算机视觉）、循环网络（用于序列处理）以及两者的任意组合的支持。

• 支持任意网络架构：多输入或多输出模型、层共享、模型共享等。这意味着 Keras 可以用于构建几乎任何深度学习模型，从记忆网络到神经图灵机。

完整的文档请参阅软件包官网：https://keras3.posit.co。

Keras3 (R 接口) 快速上手指南

Keras3 是 R 语言的高层神经网络 API 接口，旨在帮助用户快速进行深度学习实验。它支持在 CPU 和 GPU 上无缝运行，内置对卷积网络（计算机视觉）和循环网络（序列处理）的支持，并允许构建任意复杂的网络架构。

环境准备

• 操作系统：Windows、macOS 或 Linux。
• 前置依赖：
  • 已安装 R (建议版本 4.0 及以上)。
  • 已安装 RStudio (推荐，提供更佳的开发体验)。
  • 若需使用 GPU 加速，请确保系统已正确安装 CUDA 和 cuDNN（Keras3 会自动检测并配置后端）。

安装步骤

1. 从 CRAN 安装稳定版

打开 R 或 RStudio，运行以下命令安装主包：

install.packages("keras3")

2. 初始化后端

安装完成后，需要在 R 会话中安装并配置 Keras 的 Python 后端（默认使用 TensorFlow）。运行以下命令：

library(keras3)
install_keras()

提示：install_keras() 会自动创建一个独立的 Python 虚拟环境并安装所需的 TensorFlow 版本。如果您在中国大陆地区遇到下载缓慢的问题，可以尝试配置 pip 镜像源后再运行该命令，或在函数中指定镜像参数（如果版本支持），例如：

install_keras(pip_options = "--index-url https://pypi.tuna.tsinghua.edu.cn/simple")

基本使用

以下是一个最简单的示例，展示如何使用 Keras3 构建并训练一个用于手写数字识别（MNIST 数据集）的神经网络模型。

library(keras3)

# 1. 加载数据
mnist <- dataset_mnist()
x_train <- mnist$train$x
y_train <- mnist$train$y
x_test <- mnist$test$x
y_test <- mnist$test$y

# 数据预处理：归一化并调整形状
x_train <- x_train / 255
x_test <- x_test / 255
x_train <- array_reshape(x_train, c(nrow(x_train), 28 * 28))
x_test <- array_reshape(x_test, c(nrow(x_test), 28 * 28))

# 将标签转换为分类矩阵
y_train <- to_categorical(y_train, 10)
y_test <- to_categorical(y_test, 10)

# 2. 构建模型
model <- keras_model_sequential() %>%
  layer_dense(units = 512, activation = "relu", input_shape = c(28 * 28)) %>%
  layer_dropout(rate = 0.2) %>%
  layer_dense(units = 10, activation = "softmax")

# 3. 编译模型
model %>% compile(
  optimizer = "rmsprop",
  loss = "categorical_crossentropy",
  metrics = c("accuracy")
)

# 4. 训练模型
history <- model %>% fit(
  x_train, y_train,
  epochs = 5,
  batch_size = 128,
  validation_split = 0.2
)

# 5. 评估模型
scores <- model %>% evaluate(x_test, y_test)
cat("Test loss:", scores$loss, "\n")
cat("Test accuracy:", scores$acc, "\n")

运行上述代码后，您将看到一个简单的全连接神经网络被训练，并在测试集上输出准确率。