Keras框架训练深度学习模型 ——（二）多个分类的情况

这是学习用keras框架组装神经网络进行学习的第二个台阶，使用softmax函数来进行多分类模型的搭建。
源码下载：https://download.csdn.net/download/rance_king/11010033

1. 导入包

import keras
#这是一个用来导入数据集的包
from sklearn import datasets
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
#keras框架中的分类包
from keras.utils.np_utils import to_categorical

2. 在坐标系中放置五组点，分别以五个中心进行高斯分布，通过dataset里面的功能对五个点打上0-4的标签，并且将这些点画在坐标系上。

n_pts = 500
centers = [[-1, 1], [-1, -1], [1, -1], [1, 1], [0, 0]]
#dataset.make_*用于取出制造一个数据集，centers是一个二维数组，取出中心来用，cluster_std是离散程度
X, y = datasets.make_blobs(n_samples=n_pts, random_state = 220, centers=centers, cluster_std=0.3)

这里有一个我以前一直没有注意到的问题，就是，datasets里面的每个点的值是如何按照标签被取出来的？X只是一个包含了坐标的矩阵，y只是标签，而X[y==1, 0] 为什么能够取出我希望得到的横坐标呢？这里用的是一个np.array中通过布尔值取值的技巧 y == 1返回了一个布尔数组，筛选了对应标签为1的数（这里依然有疑问，为什么可以这样对应呢？），所以取得了相应的坐标点。

plt.scatter(X[y==0, 0], X