keras框架下的深度学习（一）手写体数字识别

文章目录

前言

一、keras的介绍及其操作使用

二、手写题数字识别

1.介绍

2.对数据的预处理

3.搭建网络框架 

4.编译

5.循环训练

6.测试训练的网络模

7.总代码

三、附：梯度下降算法

1.导数的梯度下降算法

2.偏导数的梯度下降算法

总结

---

前言

        这个系列文章主要记录使用keras框架来搭建深度学习模型的学习过程，其中有一些自己的想法和体会，主要学习的书籍是：Deep Learning with Python。使用的IDE是pycharm，需要安装keras以及相应的tensorflow的库。这篇文章主要是keras的介绍以及在keras框架下的mnist手写体数字识别程序的讲解。

---

一、keras的介绍及其操作使用

        Keras 是一个 Python 深度学习框架，可以方便地定义和训练几乎所有类型的深度学习模型。Keras 最开始是为研究人员开发的，其目的在于快速实验。我们可以进入网站：主页 - Keras 中文文档查看keras内的配置，如图所示：

        Keras的使用很简单上手，但是运行keras需要一个后端引擎，这里推荐使用tensorflow后端。

       当我们对keras代码中有什么疑惑时，可以选择查看网页上对应的内容，然后对源代码进行查看。比如说我们选择查看常用数据集（Datasets）：

 　　 接下来我们在本地文件路径下：C:\Users\Quiming\AppData\Roaming\Python\Python37\site-packages\keras\datasets，可以看到每个数据集的调用文件的源代码：

        我们随便选择一个数据集文件打开，比如说mnist.py文件：

         我们可以看到mnist里面的load_data函数具体是做什么，不一定要看懂，但是至少要知道在函数中输入的是什么，输出的是什么，这样更能方便于理解。

        当我们不理解layers层时，我们可以查看layers文件下的编程文件：

        所以当遇到keras中遇到语句不明白的或者错误但是找不到原因的，可以尝试去keras网页上或者本地文件中查看每个部分的信息；若只关注代码的使用，则需要明白函数的输入输出，以及这个函数大概做了什么事情。（三大利器：keras文档网页、源码以及baidu搜索）

二、手写题数字识别

1.介绍

　　在深度学习中的深度指的是数据模型中包含着的多个层次，而深度学习是对一堆数值做数学运算，但是这种数学运算是高纬度的，是大量的；在这些数学运算中，深度学习中的层通过反馈（比如后向传播）来对参数进行调整，然后再进行计算。如此反复数次，从而越来越接近我们所给出的正确结果。而在这个过程中，深度学习中的每个层所学习到的就是参数的具体数值。模型训练好以后，只需要一个输入，就能得到相应的输出。

       对于深度学习的编程，以下是具体步骤（针对于keras框架）：

　　1.对数据的预处理，如把图片数据变成数值矩阵，把离散的数据变成向量，把数据归一化等等，其目的是为了之后的学习；2.搭建网络框架，即输入层，隐藏层和输出层，深度学习所需要学习的参数在这些层里面；3.编译，即定义所需要用的优化器、损失函数等；4.循环训练，让网络一次又一次的运行，最后得到学习后的参数；5.测试训练的网络模型，在模型训练结束后，进行测试来验证其泛化能力。

　　本文中我们使用mnist数据集，这个数据集包含60000张训练图像和10000张测试图像，全部都是尺寸28*28像素的手写数字图片，如下图所示：