Keras入门操作

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：