目录

1)首先我们加载Keras中的数据集

2）网络架构

3）选择编译(compile参数)

4）准备图像数据

5) 训练模型

6）测试数据

---

前面的博客中已经介绍了如何在Ubuntu下安装Keras深度学习框架。

现在我们使用 Keras 库来学习手写数字分类。

我们这里要解决的问题是：将手写数字的灰度图像（28 像素×28 像素）划分到 10 个类别 中（0~9）。我们将使用 MNIST 数据集，它是机器学习领域的一个经典数据集，其历史几乎和这 个领域一样长，而且已被人们深入研究。这个数据集包含 60 000 张训练图像和 10 000 张测试图 像，由美国国家标准与技术研究院（National Institute of Standards and Technology，即 MNIST 中 的 NIST）在 20 世纪 80 年代收集得到。你可以将“解决”MNIST 问题看作深度学习的“Hello World”。下图为MNIST图像数字样本：

1)首先我们加载Keras中的数据集

Keras已经包含了很多数据集，我们本例子中的数据集也包含在其中：

[1]

from keras.datasets import mnist(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

这里要多下载几次才可能下载成功，不需要翻墙。

我们来看一下训练集数据：

[2]

train_images.shape

(60000, 28, 28)

这里显示的是我们有60000个训练样本，其中每个样本是28X28像素的图像。

[3]

train_labels

array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)

这是训练集的标签。

接下来的工作流程如下：

• 首先，将训练数据（train_images 和 train_labels）输入神经网络；
• 其次，网络学习将图像和标签关联在一起；
• 最后，网络对 test_images 生成预测， 而我们将验证这些预测与 test_labels 中的标签是否匹配。

2）网络架构

[4]

from keras import models
from keras import layers​network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

神经网络的核心组件是层（layer），它是一种数据处理模块，你可以将它看成数据过滤器。 进去一些数据，出来的数据变得更加有用。具体来说，层从输入数据中提取表示——我们期望这种表示有助于解决手头的问题。大多数深度学习都是将简单的层链接起来，从而实现渐进式 的数据蒸馏（data distillation）。深度学习模型就像是数据处理的筛子，包含一系列越来越精细的数据过滤器（即层）。

本例中的网络包含 2 个 Dense 层，它们是密集连接（也叫全连接）的神经层。第二层（也是最后一层）是一个 10 路 softmax 层，它将返回一个由 10 个概率值（总和为 1）组成的数组。每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率。

3）选择编译(compile参数)

其中用到的主要有以下三个参数：

• 损失函数（loss function）：网络如何衡量在训练数据上的性能，即网络如何朝着正确的方向前进。

• 优化器（optimizer）：基于训练数据和损失函数来更新网络的机制。

• 在训练和测试过程中需要监控的指标（metric）：本例只关心精度，即正确分类的图像所占的比例。

[5]

network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

4）准备图像数据

在开始训练之前，我们将对数据进行预处理，将其变换为网络要求的形状，并缩放到所有值都在 [0, 1] 区间。比如，之前训练图像保存在一个 uint8 类型的数组中，其形状为 (60000, 28, 28)，取值区间为 [0, 255]。我们需要将其变换为一个 float32 数组，其形状为 (60000, 28 * 28)，取值范围为 0~1。

[6]

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255​test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

我们还需要对标签进行分类编码。

[7]

from keras.utils import to_categoricaltrain_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

5)训练模型

现在我们准备开始训练网络，在 Keras 中这一步是通过调用网络的 fit 方法来完成 。

[8]

network.fit(train_images, train_labels, epochs=5, batch_size=128)

训练过程中会显示两个数字：一个是网络在训练数据上的损失（loss），另一个是网络在 训练数据上的精度（acc）。 现在我们来检查一下模型在测试集上的性能。

6）测试数据

[9]

test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)

这样一个简单的全连接神经网络模型，精度为97%。第一个例子到这里就结束了。你刚刚看到了如何构建和训练一个神经网络，用不到 20 行的 Python 代码对手写数字进行分类。接下来我们需要学习张量（输入网络的数据存储对象）、张量运算（层的组成要素）和梯度下降（可以让网络从训练样本中进行学习）。