李宏毅课程mnist源代码和实现小实验（keras框架）

需要下载keras框架！

大概解释下整体过程：

1.定义下载数据的函数 load_data(),在网络上进行下载训练集和测试集文件。

2.定义神经网络模型

• 输入维数 ：图片是28 *28，共10000张，则输入维数是10000 * 784；
• 输出维数：九种数字类型，那么输出维数是10000 * 10；
• 神经网络层数 ：根据自己的需要进行设定；
• 每层神经元的：同上
• 激活函数：这里用的是sigmoid函数
• 损失函数：根据自己许需要进行选择；
• 学习率：设定合适的学习率，使训练效果尽量好；

3.开始训练神经网络

4.验证神经网络的好坏

• • 下面是在jupyter上运算的主要过程和代码，能比较清晰的看到整个实验过程。最后训练集上精度是0.1018，测试集上精度是0.1094，都不理想，说明这是欠拟合；在训练集上训练效果就不好，测试集自然也不会好。

src="https://nbviewer.jupyter.org/github/zzcse/mnist2/blob/master/mnist/Mnist.ipynb" width="100%" height="1000">

下面将代码注释一下：

1.引入各种包和框架。

import numpy as np
# 引入很多包
import keras
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.layers import Convolution2D, MaxPooling2D, Flatten
from keras.optimizers import SGD, Adam
from keras.utils import np_utils
from keras.datasets import mnist

2.定义下载数据的函数

def load_data():
   #网络下载失败
    (x_train, y_train), (x_test, y_test) = mnist.load_data('mnist.npz') # 网络下载数据
   #读取本地数据
   # path = './mnist.npz'
   # f = np.load(path)
   #x_train, y_train = f['x_train'], f['y_train']
   #x_test, y_test = f['x_test'], f['y_test']
   #f.close()
    number = 10000
    x_train = x_train[0: number]
    y_train = y_train[0: number]
    x_train = x_train.reshape(number, 28 * 28)
    x_test = x_test.reshape(x_test.shape[0], 28 * 28)
    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')
    # convert class vectors to binary class matrices
    y_train = np_utils.to_categorical(y_train, 10)
    y_test = np_utils.to_categorical(y_test, 10)
    x_train = x_train
    x_test = x_test
    # x_test = np.random.normal(x_test)
    x_train = x_train / 255
    x_test = x_test / 255

    return (x_train, y_train), (x_test, y_test)
	
#下载	
(x_train, y_train), (x_test, y_test) = load_data()

3.引入模型 训练并且测试 输出测试结果

# 引入模型 训练并且测试 输出测试结果
model = Sequential()
model.add(Dense(input_dim = 28 * 28, units = 633, activation = 'sigmoid'))
model.add(Dense(units = 633, activation = 'sigmoid'))
model.add(Dense(units = 633,activation = 'sigmoid'))
model.add(Dense(units = 10, activation = 'softmax'))

model