40题刷爆Keras，人生苦短我选Keras

Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果。

有多迅速？引用某乎的一句话

当别人还在搞懂怎么输入数据（tensorflow）的时候我都可以跑通模型调参优化了（Keras）

所以机器学习的新手们请不要犹豫，盘它！

点击此处，不用装环境，就可以直接线上运行👇

40题刷爆Keras，人生苦短我选Keras

推荐新手教程：

Keras中文文档

---

其他x题系列：

• 50道练习带你玩转Pandas
• 这100道练习，带你玩转Numpy
• 35题初探scikit-learn库，get机器学习好帮手√
• 50题matplotlib从入门到精通
• 40题刷爆Keras，人生苦短我选Keras
• 60题PyTorch简易入门指南，做技术的弄潮儿
• 50题真 • 一文入门TensorFlow2.x
• 90题细品吴恩达《机器学习》，感受被刷题支配的恐惧
• 170题吴恩达《深度学习》面面观，一套更比三套强
• 【抗击新冠特别篇】33题数据可视化实战

零、导入

1.导入 Keras 库，并打印版本信息

import keras
print(keras.__version__)

一、一个简单的例子

使用MLP模型实现手写数字图像MNIST的分类

1.1 选择模型

2.初始化一个顺序模型(Sequential)

model = Sequential()

1.2 构建网络

3.为model加入一个784输入，784个输出的隐藏层，激活函数使用relu

model.add(Dense(units=784, activation='relu', input_dim=784))

4.在之前的基础上为model加入10个输出的输出层，激活函数使用softmax

model.add(Dense(units=10, activation='softmax'))

5.通过.summary()查看模型参数情况

model.summary()

1.3 编译模型

6.使用.compile() 来配置学习过程，代价函数loss使用categorical_crossentropy，优化算法optimizer使用sgd，性能的指标使用accuracy

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

1.4 训练

读入数据（略）
7.将y值进行one-hot编码

y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

8.将数据送入模型训练

model.fit(x_train, y_train, epochs=5, batch_size=32)

9.评估模型性能

score = model.evaluate(x_test, y_test, batch_size=128)
print("loss:",score[0])
print("accu:",score[1])

1.5 预测

10.使用模型进行预测

model.predict_classes(x_test, batch_size=128)