Keras比起Tensorflow真的更适合上手,用过一阵子TF之后觉得Keras是真的舒服
比起TF的图操作,Keras实在是简单多了,只有一个Sequential。先来个Keras下的“hello world"吧
01 第一个神经网络
建立模型
模型结构如图(可通过model.summary()生成):
model = Sequential()
model.add(Dense(units=1000,input_dim=784,kernel_initializer='normal',activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(units=10,kernel_initializer='normal',activation='softmax'))
训练
complie()定义训练设置,fit()开始训练,这里用train_history保存一下历史数据,方便后面生成图片。
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
train_history = model.fit(x=x_train,y=y_train,validation_split=0.2,epochs=10,batch_size=200,verbose=2)
准确度能达到0.98,训练效果如图:
02 CNN下的MNIST
建立模型
用的是之前TF做的时候的CNN模型,按理来说应该效果没差。
model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(5,5), padding='same', input_shape=(28, 28, 1), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Conv2D(filters=64, kernel_size=(5,5), padding='same', activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(activation='relu', kernel_initializer='normal', units=1024))
model.add(Dropout(0.5))
model.add(Dense(activation='softmax', kernel_initializer='normal', units=10))
训练
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
train_history = model.fit(x=x_train,y=y_train,validation_split=0.2,epochs=10,batch_size=100,verbose=2)
准确率有0.99,直接上图看效果: