Ubuntu 16.04 下keras安装和mnist测试

1 keras安装

主要参考keras中文文档中keras安装和配置指南http://keras-cn.readthedocs.io/en/latest/for_beginners/keras_linux/

keras安装好后backend默认使用的是TensorFlow，要切换为theano的话，先要使用sudo pip install -U --pre theano下载theano，然后修改.keras文件中的keras.json配置文件。
方法：
1. 在ubuntu终端输入find / -name .keras ,找到.keras文件夹所在位置(我的是在/root 目录下和当前普通用户主目录下都有)并切换到该目录下。
2. 输入gedit keras.json ,将最后一行的tensorflow替换成theano，保存并退出。
3. 重新在ubuntu终端输入python命令，接着输入import keras 后会显示using theano backend。

2 mnist测试

1. 下载mnist数据集http://yann.lecun.com/exdb/mnist/。
2. 建立一个mnist文件夹，将下载的mnist数据集复制到mnist文件夹下。
3. 在与mnist文件夹同一级目录下利用 gedit mnist_test.py新建一个mnist_test.py，将下面的代码复制进去并保存。
4. 直接用python运行该文件即可python mnist_test.py（在theano的backend下会出现警告，不过不影响运行）。

#mnist_test.py
import numpy as np
import gzip
import struct
import keras as ks
import logging
from keras.layers import Dense, Activation, Flatten, Convolution2D
from keras.utils import np_utils


def read_data(label_url,image_url):
    with gzip.open(label_url) as flbl:
        magic, num = struct.unpack(">II",flbl.read(8))
        label = np.fromstring(flbl.read(),dtype=np.int8)
    with gzip.open(image_url,'rb') as fimg:
        magic, num, rows, cols = struct.unpack(">IIII",fimg.read(16))
        image = np.fromstring(fimg.read(),dtype=np.uint8).reshape(len(label),rows,cols)
    return (label, image)


(train_lbl, train_img) = read_data('mnist/train-labels-idx1-ubyte.gz','mnist/train-images-idx3-ubyte.gz')
(val_lbl, val_img) = read_data('mnist/t10k-labels-idx1-ubyte.gz','mnist/t10k-images-idx3-ubyte.gz')


def to4d(img):
    return img.reshape(img.shape[0],784).astype(np.float32)/255


train_img = to4d(train_img)
val_img = to4d(val_img)

train_LBL = np_utils.to_categorical(train_lbl)
val_LBL = np_utils.to_categorical(val_lbl)

model = ks.models.Sequential()
model.add(Dense(128,input_dim=784))
model.add(Activation('relu'))
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])
model.fit(x=train_img,y=train_LBL,batch_size=100,epochs=10,verbose=1,validation_data=(val_img,val_LBL))

成功测试mnist后的结果如下：