基于Theano的深度学习(Deep Learning)框架Keras学习随笔-02-Example

      http://blog.csdn.net/niuwei22007/article/details/49053771原地址可以查看更多文章
      下面这些例子是keras前期版本的，现在已经升级到了keras0.3.0，以下代码需要进行修改才可以。如今的代码更简洁，使用更方便，不需要自己计算每一层的输入shape，除了第一层。

下面来看几个例子，来了解一下Keras的便捷之处。不需要具体去研究代码的意思，只需要看一下这个实现过程。用编程的装饰模式把各个组件模块化，然后可以自己随意的拼装。首先介绍一个基于Keras做的手写MNIST识别的代码，剩下的就看一下实现过程即可。

No.0用Keras实现MNIST识别。

from keras.models import Sequential 
from keras.layers.core import Dense, Dropout,Activation 
from keras.optimizers import SGD 
from keras.datasets import mnist 
 
import numpy
 
model = Sequential() 
model.add(Dense(784, 500, init='glorot_uniform')) # 输入层，28*28=784 
model.add(Activation('tanh')) # 激活函数是tanh 
model.add(Dropout(0.5)) # 采用50%的dropout
 
model.add(Dense(500, 500, init='glorot_uniform')) # 隐层节点500个 
model.add(Activation('tanh')) 
model.add(Dropout(0.5))
 
# 输出结果是10个类别，所以维度是10
model.add(Dense(500, 10, init='glorot_uniform'))
model.add(Activation('softmax')) # 最后一层用softmax
 
# 设定学习率（lr）等参数 
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9,nesterov=True)  
# 使用交叉熵作为loss函数，就是熟知的log损失函数
model.compile(loss='categorical_crossentropy',
optimizer=sgd, class_mode='categorical')
# 使用Keras自带的mnist工具读取数据（第一次需要联网）
(X_train, y_train), (X_test, y_test) = mnis