基于MNIST数据集的Keras顺序模型

安装keras，在python中直接安装：pip install keras，keras是一个高级的深度学习库，该库将tensorflow作为后端，而tensorflow已将keras作b为模块tf.keras包含在tensorflow的内核中。Keras除了支持Tensorflow之外，也支持Theano和CNTK。
keras的神将网络模型被定义为层的图，keras模型可以使用序列化API或者功能化API来创建，创建模型的过程：创建模型，创建模型并添加层，编译模型，训练模型，使用该模型进行预测和评估。
这是将创建一个简单的多层感知器，用于对MNIST数据集中的手写数字进行分类：
导入相关的库

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense,Dropout
from keras.optimizers import SGD
from keras import utils
import numpy as np

定义参数以及获取数据

#定义一些超级参数
batch_size=100
n_inputs=784
n_classes=10
n_epochs=10

#得到数据
(x_train,y_train),(x_test,y_test)=mnist.load_data()

#重塑二维28*28像素
#将像素大小调n整为784像素的单个向量
x_train=x_train.reshape(60000,n_inputs)
x_test=x_test.reshape(10000,n_inputs)

#将输入的值转换为float32
x_train=x_train.astype(np.float32)
x_test=x_test.astype(np.float32)

#将图像向量的值归一化为小于1
x_train/=255
x_test/=255

#将输出的数据转化为独热编码格式
y_train=utils.to_categorical(y_train,n_classes)
y_test=utils.to_categorical(y_test,n_classes)

构建模型，并添加层，编译模型，训练模型，评估和预测

#构建序列化模型
model=Sequential()
#第一层必须指定输入向量的大小
model.add(Dense(utils=128,activation='sigmoid',input_shape=(n_inputs,)))
#添加dropout层以防过度拟合
model.add(Dropout(0.1))
model.add(Dense(units=128,activation='sigmoid'))
model.add(Dropout(0.1))
#输出层只能使神经元等于输出变量
model.add(Dense(units=n_classes,activation='softmax'))

#输出模型的摘要
model.summary()

#编译模型
model.compail(loss='categorical_crossentropy',
             optimizer=SGD(),
             metrics=['accuracy'])

#训练模型
model.fit(x_train,y_train,
         batch_size=batch_size,
         epochs=n_epochs)
         
#评估模型并输出准确度分数
scores=model.evaluate(x_test,y_test)

print('\n loss:',scroes[0])
print('\n accuracy:',scroes[1])       

如果运行的结果报错，则需要手动下载keras-master模型，下载地址：https://github.com/keras-team/keras
再下载mnist.npz，下载地址：https://s3.amazonaws.com/img-datasets/mnist.npz
下载完成以后将mnist.npz移动到./keras/datasets，移动后mnist.npz的地址为./keras/datasets/mnist.npz,然后修改mnist.py中的load_data:

再进行运行程序，漫长的等待出现结果。