keras构建神经网络实现手写数字识别

本文使用神经网络库keras构建一个简单的神经网络来实现经典的手写数字识别任务。

import keras
import numpy as np
from keras.datasets import mnist #导入手写数字数据
(train_images, train_labels), (test_images, test_labels)= mnist.load_data() #把训练集和测试集拿出来
train_images.shape, train_labels.shape #观察图像的形状和标签的形状
train_labels #每个手写数字的真实标签，值为0-9

可以发现，train_images是一个形状为(60000, 28, 28)的三维数组，表示有60000个手写数字，每个数字用28像素*28像素的矩阵表示，矩阵中的元素是0-255之间的整数，表示灰度（颜色的深浅）。
接下来就开始导入神经网络的各个模块：

from keras import models #models包含神经网络的各种配置，包括激活函数，损失函数，正则项，优化算法，初始化方法等
from keras import layers #layers包含常见的神经网络层，例如卷积层、池化层、循环层、全连接层等
network= models.Sequential() #创建一个空的序贯模型，
#序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠

创建了一个空的Sequential()模型后，接下来就只需在依次地添加输入层、隐藏层和输出层了：

#添加输入层：
network.add(layers.Dense(512, activation= 'relu', input_shape=(28*28,))) #往模型中增加一个全连接层，宽度为512，激活函数为relu，输入形状为28*28

注意在输入层中需要通过input_shape指定输入的形状为28*28，因为我们每张图片是28*28的矩阵，但是其后的隐藏层和输出层会自动识别前一层输出的形状，因此隐藏层和输出层不需要指定input_shape。接下来再构建隐藏层和输出层：

network.add(layers.Dense(256, activation= 'relu')) #隐藏层，宽度（神经元个数）为256，同样适用relu函数作为激活函数
network.add(layers.Dense(10, activation= 'softmax')) #再增加一层，这层是输出层，宽度为10（因为要预测该手写数字的真实标签是0-9这10个数字中的哪一个）。
#使用softmax激活函数使这一层输出10个数字对应的概率

至此我们的神经网络就有了输入层、隐藏层和输出层了，一个简单的神经网络模型就搭建完成了。但是在搭建完模型之后还需要进行编译（compile）：

network.compile(optimizer= 'rmsprop', loss= 'categorical_crossentropy', metrics= ['accuracy'])
#指定损失函数，优化方法和性能指标

在compile函数中optimizer参数指定优化方法（'rmsprop’就是类似于梯度下降法的优化方法，一般都可以用这个方法），loss=‘categorical_crossentropy’ 指定交叉熵作为损失函数，由于手写数字识别是多分类问题（有10个类），因此用这个损失函数，如果是二分类问题则用loss= 'binary_crossentropy
'，回归问题则可令loss= ‘mse’（即均方误差）。由于我们关心的是模型对数字分类的准确率，因此可以指定metrics= [‘acc’]
，即输出模型的分类准确率作为性能指标，如果是回归任务，则可指定metrics=[‘mae’]（即平均绝对离差）。
至此我们的模型已经搭建和编译好了，接下来就是准备数据：

#准备数据：
train_images= train_images.reshape((60000, 28*28)) #将train_images的维度由(60000, 28, 28)重置为(60000, 28*28)
train_images= train_images.astype('float32')/255 #将灰度范围映射到[0,1]区间
test_images= test_images.reshape((10000, 28*28))
test_images= test_images.astype('float32')/255
#准备标签：
from keras.utils import to_categorical
train_labels= to_categorical(train_labels) #将整型的类别转化为one-hot编码
test_labels= to_categorical(test_labels)

接着就是模型的训练了：

#模型训练：
network.fit(train_images, train_labels, epochs= 10, batch_size= 128)
#batch_size=128表示每128个样本计算一次损失函数并更新权重，epoch=5表示所有数据要通过神经网络5次

模型训练完成，最后我们来看看我们的模型在测试集上的效果如何：

predictions= network.predict(test_images)
#predictions是一个10000*10的数组，每一行是该张图片数字为0-9的概率，测试集一共有10000张图片因此是10000行
#看下损失和准确率：
test_loss, test_acc= network.evaluate(test_images, test_labels) 
test_acc

结果在测试集上的准确率约为98.36%，很不错。以上就是使用keras建立神经网络进行手写数字识别的内容，之后会使用神经网络进行回归任务。