引言：
在R和Python之间如何进行选择一直是一个热议的话题。机器学习世界也被不同语言偏好所划分。但是随着深度学习的盛行，天平逐渐向Python倾斜，因为截至目前为止Python具有大量R所没有的深度学习的资源库和框架。
我个人从R转到Python是因为我想更加深入机器学习的领域，而仅仅使用R的话，这（在之前）是几乎不可能实现的事情。不过也仅此而已！
随着Keras在R中的实现，语言选择的斗争又重新回到舞台中央。Python几乎已经慢慢变成深度学习建模的默认语言，但是随着在R中以TensorFlow（CPU和GPU均兼容）为后端的Keras框架的发行, 即便是在深度学习领域，R与Python抢占舞台的战争也再一次打响。
下面我们将会看到怎样在R中安装以TensorFlow为基础的Keras框架，然后在RStudio中构建我们基于经典MNIST数据集的第一个神经网络模型。
内容列表：
-
以TensorFlow为后端的Keras框架安装
-
在R中可以使用Keras来构建模型的不同类型
-
在R中使用MLP将MNIST手写数字进行归类
-
将MNIST结果与Python中同等代码结果进行比较
-
结语
一、以TensorFlow为后端的Keras框架安装
在RStudio中安装Keras的步骤非常简单。只要跟着以下步骤，你就可以在R中构建你的第一个神经网络模型。
install.packages("devtools")
devtools::install_github("rstudio/keras")
以上步骤会从Github资源库下载Keras。现在是时候把keras加载进R，然后安装TensorFlow。
library(keras)
在默认情况下，RStudio会加载CPU版本的TensorFlow。如果没有成功加载CPU版本的TensorFlow, 使用以下指令来下载。
install_tensorflow()
如要为单独用户或桌面系统安装GPU支持的TensorFlow，使用以下指令。
install_tensorflow(gpu=TRUE)
为多重用户安装，请参考这个指南：https://tensorflow.rstudio.com/installation_gpu.html。
现在在我们的RStudio里，keras和TensorFlow都安装完毕了。让我们开始构建第一个在R中的神经网络来处理MNIST数据集吧。
二、在R中可以使用keras来构建模型的不同类型
以下是可以在R中使用Keras构建的模型列表
-
多层感知器(Multi-Layer Perceptrons)
-
卷积神经网络(Convoluted Neural Networks)
-
递归神经网络(Recurrent Neural Networks)
-
Skip-Gram模型
-
使用预训练的模型（比如VGG16、RESNET等）
-
微调预训练的模型
让我们从构建仅有一个隐藏层的简单MLP模型开始，来试着对手写数字进行归类。
三、在R中使用MLP将MNIST手写数字进行归类
#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)
以上的代码获得了99.14%的训练精度和96.89%的验证精度。在我的i5处理器上跑这段代码完整训练一次用时13.5秒，而在TITANx GPU上，验证精度可以达到98.44%，训练一次平均用时2秒。
四、使用keras来构建MLP模型——R Vs. Python
为了更好地比较，我同样使用Python来实现解决以上的MINIST归类问题。结果不应当有任何差别，因为R会创建一个进程（conda instance）并在其中运行keras。但你仍然可以尝试以下同等的Python代码。
#importing the required libraries for the MLP model
import keras
from keras.models import Sequential
import 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))
以上模型在同样的GPU上达到了98.42%的验证精度。所以，就像我们在一开始猜测的那样，结果是相同的。
五、结语
如果这是你用R构建的第一个深度学习模型，我希望你很享受这个过程。使用很简单的代码，你就可以对手写数值进行精确度达到98%的分类。这应该可以给你足够的动力让你在机器学习的领域探索。
如果你已经在Python中使用过keras深度学习框架，那么你会发现R中keras框架的句式和结构跟其在Python中非常相似。事实上，R中的keras安装包创造了一个conda环境而且安装了在该环境下运行keras所需要的所有东西。但是，更让我兴奋的是：看到现在数据科学家们使用R构建有关现实生活的深度学习模型。就像有句话说的一样，竞争永不停歇。
原文发布时间为：
本文作者：
本文来自云栖社区合作伙伴“数据派THU”，了解相关信息可以关注“数据派THU”微信公众号
