【读书笔记】Keras快速上手(1)

《Keras快速上手》总共十章，关于deep learning的部分可以直接从第六章开始。

关于Keras的安装书中推荐是从微软的服务端仓库进行克隆，安装一个git并将它添加到环境变量中，随后从git中克隆过来。

关于配置的部分，Keras选择CNTK,Tensorflow,Theano之一作为计算平台，书中推荐CNTK基于多项测试中CNTK的计算速度最快。计算后台可以在.keras文件中的json文件中进行配置。

第六章讲述CNN，直接以mnist作为例子引入。

Sequantial序列模型是Model通用模型中的一个子类，涵盖了常见的层与层之间依次连接的模型，将模型中的隐藏层依次.add进模型即可，十分直观。Dense表示常见的全连接层。Mnist数据只有一个Channel，故卷积与池化层使用2维的：

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten
from keras.layers.convolutional import Conv2D,MaxPooling2D

读入数据后将数据重塑成四维张量形式，添加样本数与通道数。再将数据中的样本值进行归一化：

(x_train,y_train),(x_test,y_test)=mnist.load_data()
x_train=x_train.reshape(x_train.shape[0],28,28,1).astype('float32')
x_test=x_test.reshape(x_test.shape[0],28,28,1).astype('float32')
x_train/=255
x_test/=255

标签是0-9的数字，为了对应softmax层的输出，将标签改写为十维的one-hot向量：

def tran_y(y):
    y_ohe=np.zeros(10)
    y_ohe[y]=1
    return y_ohe
y_train_ohe=np.array([tran_y(y_train[i]) for i in range(len(y_train))])
y_test_ohe=np.array([tran_y(y_test[i]) for i in range(len(y_test))])

搭建网络。添加三层的卷积层。每层卷积层中使用3*3的filter，步长为1，same padding，Relu为activation function，池化层中使用2*2的最大池化。在相邻的卷积层中添加dropout层减小过拟合：

model=Sequential()
model.add(Conv2D(filters=