《Keras》翻译连载3

运行一个简单的Keras 网络并且建立一个基准

让我们从截图中看看运行代码后会发生什么：

       首先，转储网络架构，我们可以看到使用的不同类型的层，它们的输出形状，它们需要优化多少参数，以及它们如何连接。网络使用48000个样本训练，保留12000样本用于验证（这里的样本指的是训练集中的样本，注意，验证和测试不一样）。建立神经网络模型之后，使用10000个样本进行测试。正如上图所示，Keras内部使用Tensorflow作为后端系统进行计算。目前，我们尚未研究到训练的详细内容，但是不难发现，该程序迭代了200次，并且每次都提高了准确性。

当训练结束时，我们可以发现，在训练阶段，我们得到了92.36%的识别准确率，在验证阶段，我们得到了92.27%的识别准确率，在测试阶段，我们得到了92.22%的识别准确率。

（关于这三个数字的理解，首先，我们将所有的数据分为训练集和测试集两大类；其次，在训练集中，分为训练部分和验证部分两类；最后，92.36%是训练部分，取得的正确率；92.27%是验证部分取得的正确率；92.22%是测试部分取得的识别准确率）。

这意味着在十个手写字符中有不到一个不能被正确识别。优化网络模型，可以做的更好，在下面的截图中，可以看到测试的准确性。

使用Keras中的隐藏层改进简单的网络模型

在训练阶段，验证阶段以及测试阶段，我们有一个基准准确率92.36%，以及验证阶段92.27%，测试阶段92.22%。这是一个很好的起点，但是我们仍然可以改进。

第一个改进的地方是增加网络层数。在输入层之后，有第一个有N_HIDDEN个神经元和激活函数为relu的密集层（全连接层）。这个额外的层（指密集层）被认为是隐藏的，因为它没有直接连接到输入或输出。在第一层隐藏层之后，有第二个隐藏层，同样拥有N_HIDDEN个神经元，再往后是一个拥有10个神经元的输出层，每个神经元在对应数字被识别时触发。（这边，个人认为有点不当之处，在使用softmax函数时，每一次是计算该样本对应所有数字的可能，并从其中选择可能性最大的，输出作为识别结果。）接下来的代码定义了一个新的网络模型：

      from __future__ import print_function

      import numpy as np

      from keras.datasets import mnist

      from keras.models import Sequential

      from keras.layers.core import Dense, Activation

      from keras.optimizers import SGD

      from keras.utils import np_utils

      np.random.sedd(1671)  # 为了再现

      # 网络和训练

      NB_EPOCH = 20

      BATCH_SIZE = 128

      VERBOSE = 1

      NB_CLASSES = 10 # 输出的数量 = 数字的数量

      OPTIMIZER = SGD() # 优化器，本章后面解释

      N_HIDDEN = 128

      VALIDATION_SPLIT = 0.2 # 训练中用于保留验证的比例

      # data：被shuffled（随机打乱），分成训练集和测试集

      (X_train,Y_train),(X_test,Y_test) = mnist.load_data()

      # X_train 是60000个28*28图像，àreshape 成60000*784

      RESHAPED = 784

      X_train = X_train.reshape(60000,RESHAPED)

      X_test = X_test.reshape(10000,RESHAPED)

      X_train = X_train.astype(‘float32’)

      X_test = X_test.astype(‘float32’)

      #normalize

      X_train/=255

      X_test /=255

      print(X_train.shape[0],’train samples’)

      print(X_test.shape[0],’test samples’)

      #转换类向量成二进制类矩阵（使用之前提到的一位有效编码）

      Y_train = np_utils.to_categorical(Y_train,NB_CLASSES)

      Y_test = np_utils.to_categorical(Y_test,NB_CLASSES)

      # M_HIDDEN 隐藏层

      #10 输出

      #最终使用softmax

      model = Sequential()

      model.add(Dense(N_HIDDEN,input_shape= (RESHAPED,)))

      model.add(Activation(‘relu’))

      model.add(Dense(N_HIDDEN))

      model.add(Activation(‘relu’))

      model.add(Dense(NB_CLASSES))

      model.add(Activation(‘sotfmax’))

      model.summary()

      model.compile(loss=’categorical_crossentropy’, optimizer=OPTIMIZER, metrics=[‘accuracy’])

      history = model.fit(X_train,Y_train,batch_size = BATCH_SIZE,epochs=NB_EPOCH,verbose =  VERBOSE,validation_split=VALIDATION_SPLIT)

score = model.evalute(X_test,Y_test,verbose=VERBOSE)

print(“Test score:”,score[0])

print(“Test accuracy:”,score[1])

让我们运行上述代码，并查看该多层网络会得到什么结果。效果还不错。通过增加两个隐藏层，我们在训练集上达到了94.50%的准确率，在验证集达到了94.63%的识别准确率，在测试集上达到了94.41%的识别准确率。与之前的网络相比，我们在测试中得到了额外的2.2%的识别准确率。此外，我们将迭代次数大幅改动，从200次减少到20次。这是一个不错的结果，但是却远不够。

如果你愿意，可以自己尝试只添加一个隐藏层而不是两个，或者添加更多的隐藏层，看看会发生什么。我们把这个作为练习，下面的截图显示了前面示例的输出：

***************************************************************************************************************************************************************

今天的正文部分就先到这里。如果有任何相关问题，请联系1005502596@qq.com，正经问题可能会回复晚一些，但是一定会回复。OK，这边，如果有任何侵权，将会及时删除，给您带来的不便请多谅解。为了进一步了解keras，附上中文版keras文档地址：

https://keras-cn.readthedocs.io/en/latest/layers/recurrent_layer/#recurrent