这篇博客介绍了如何使用Keras 2.0版本构建一个手写数字识别的神经网络。内容包括设计三层网络（输入层、隐藏层和输出层），设置激活函数，选择交叉熵作为损失函数，并采用Adam优化器进行训练。博主强调了Keras中units参数的变化，以及softmax在输出层的作用。同时，提到了训练过程中的关键参数，如batch_size和epochs，并鼓励读者实践并比较不同实现。
还是手写数字辨识问题
第一步，设计架构(模型)
老版本中，我们每一层的输出，在1.0版本里面参数名字是output，而在Keras2.0里面，改成了units，这个看上去更为直观，表明下一层我要输出多少个节点。并制定激活函数。
然后，因为下一层的输入就是上市上一层的输出，所以下一层里面不需要在生命input dimension了，input就是500。
那直接定义units，就是输出到下一层的节点数。并指定激活函数。
那最后输出一层，因为是手写数字辨识，所以一共10个数字，10个输出，然后在指定激活函数，用softmax。也可以用别的激活。
这里选择softmax是因为，每一项的输出都是介于0-1之间，所有项的总和是1，这样就类似于概率来看待这个问题。
第二步，进行Loss方程和优化器设定
1. 定义Loss function，这里选择交叉熵
2. 定义优化器， 这里选择非基础的gradient descent，但所有优化器基本都是base 于gradient descent的。这里使用adam。
还有很多种优化器，可以后面研究不同的实现，我们之前学过了Adagrad
第三步，选择最好的function
1. train 我们的 network，其实在Keras里面一句话搞定：model.fit
x_train -> 代表training data的 输入，
image的维度 * image总数
y_train -> 代表training data的 输出&#
最低0.47元/天 解锁文章
扫一扫
810
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
