- softmax函数
softmax函数常用在输出层,配合输出层完成多分类输出的任务,将输入数据映射为0~1的常数集。基于Keras搭建神经网络时,选择softmax函数,可添加激活函数
model.add(Activation('softmax'))
- 搭建感知器网络结构
#单层的模型
#导入序贯模型
from keras.models import Sequential
#导入layers模块,为搭建全连接层做准备
from keras.layers.core import Dense,Activation
model=Sequential
#设置第一个输入层输入维度为784,输出维度为10,输出层结合激活函数softmax
model.add(Dense(num_class=10,input_shape=(784,)))
model.add(Activation('softmax'))
#在运行结果中显示神经网络的模型概要
model.summary()
- 编译和训练
神经网络搭建完成后,就要对网络进行编译,定义该网络的学习方式,选择损失函数,优化算法,设置评估标准模型:
model.compile(
loss='categorical_crossentropy', #损失函数选择CE交叉熵函数
optimizer='adam', #优化器选择adam
metrics=['accuracy'], #用accuracy作为评估模型训练结果
)
接下来就是进行训练,同时可以将训练过程储存在变量中:
#训练可以通过model.fit()完成
N_EPOCHS=20
BATCH_SIZE=128
VALIDATION_SPLIT=0.2
Training=model.fit(
train_images,train_labels,
batch_size