《Python深度学习》第二章笔记

1.第一个神经网络示例

我们来看一个具体的神经网络示例，使用Python的Keras库来学习手写数字分类。

这里要解决的问题是，将手写数字的灰度图像（28像素x28像素）划分到10个类别中（0~9）。我们将使用MNIST数据集（MNIST数据集预先加载在Keras库中，包括4个Numpy数组），它是机器学习领域的一个经典数据集，包含60000张训练图像和10000张测试图像。

接下来的工作流程如下：

• 首先，加载Keras中的MNIST数据集，得到训练集和测试集。
• 其次，将训练数据输入神经网络。
• 然后，网络学习将数据和标签（数据对应的类别）关联在一起。
• 最后，网络对输入的测试数据生成预测，并验证这些预测值与真实值是否匹配。

#加载keras中的MNIST数据集
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
# print(train_images.shape)
# print(len(train_labels))
# print(train_labels)

本例的网络包含2个Dense层，它们是密集连接的神经层。第二层是一个10路的softmax层，它将返回一个由10个概率值（总和为1）组成的数组。每个概率值表示当前数字图像属于10个数字类别中某一个的概率。

Dense层完成的具体操作后续会介绍到。

#搭建网络架构
from keras import models
from keras import layers
network = models.Sequential()
#该网络包含2个Dense层（全连接层）
network.add(layers.Dense(512,activation='relu',input_shape=(28*28，)))
network.add(layers.Dense(10,activation='softmax'))

编译时需要人为设置的三个参数：

• 损失函数loss
• 优化器optimizer
• 在训练和测试过程中需要监控的指标metric

后续两章会详细解释损失函数和优化器的确切用途。

#编译
network.compile(optimizer='rmsprop',
               loss='categorical_crossentropy',
               metrics=['accuracy'])

#准备图像数据
#数据预处理，将unit8类型的图像变换为float32数组类型
#取值区间[0,255]→[0,1]，形状（60000,28,28）→（60000,28*28）
train_images = train_images.reshape