Keras多层感知器识别手写数字

上一篇完成“多层感知器模型”，本篇使用模型做识别。

1.进行数据预处理，上一篇有做。包括：

  feature预处理（将28x28的数字图形以reshape转换成784个float数）

  label预处理（将实际数字进行One-Hot Encoding）

2.建立Sequential模型

from keras.models import Sequential
from keras.layers import Dense
#1.建立Sequential模型
model = Sequential()
#2.建立“输入层”与“隐藏层”,使用model.add方法加入Dense神经网络层（所有上一层与下一层神经元都完全连接）
model.add(Dense(units=256,input_dim=784,kernel_initializer='normal',activation='relu'))
#3.建立“输出层”，使用model.add方法加入Dense神经网络层
model.add(Dense(units=10,kernel_initializer='normal',activation='softmax'))
#4.查看模型的摘要
print(model.summary)

   说明：1.建立Sequential模型，线性堆叠模型，后续只需要model.add方法将各个神经网络层加入模型。

              2.建立“输入层”与“隐藏层”,使用model.add方法加入Dense神经网络层（所有上一层与下一层神经元都完全连接），                       units是隐藏层神经元个数，input_dim是输入层神经元个数，kernel_initializer是使用normal distribution正态分布的                      随机数来初始化权重偏差，activation是定义激活函数是relu.

              3.建立“输出层”，使用model.add方法加入Dense神经网络层，units是输出层神经元个数，k意义相同，activation是定                   义激活函数为soft

              4.查看模型摘要，打印如下：               

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_11 (Dense)             (None, 256)               200960    
_________________________________________________________________
dense_12 (Dense)             (None, 10)                2570      
=================================================================
Total params: 203,530
Trainable params: 203,530
Non-trainable params: 0
_________________________________________________________________
None

可以看出隐藏层256个神经元（因为输入和输出一起建立的所以没有显示输入），输出层10个神经元 

param的200960是784X256+256=200960,2570是256x10+10=2570，2570+200960=203530

以上每一个param都是超参数，输入层与隐藏层公式:h1=relu(w1x+b1),隐藏层与输出层：h2=softmax(w2h1+b2)

所以每一层param计算公式为：param=（上一层神经元数量）X（本层神经元数量）+（本层神经元数量）

3.进行训练。

#建立show_train_history显示训练过程
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[validation])
    plt.title('Train History')
    plt.ylabel(train)
    plt.xlabel('Epoch')
    plt.legend(['train','validation'],loc='upper left')
    plt.show()

#画出准确执行结果
show_train_history(train_history,'acc','val_acc')