keras多层感知器识别手写数字

2.Keras建立多层感知器模型(接上一篇)

2.1简单介绍多层感知器模型

注：以下模型及其说明来自于《TensorFlow+Keras深度学习人工智能实践应用》林大贵 著

以矩阵方式仿真多层感知器模型的工作方式(如下图所示)

建立输入与隐藏层的公式：

h1=ReLu(x*w1+b1)

变量名	说明
输入层	x仿真输入神经元接收外界传送消息，如上图所示，共有784个神经元。
隐藏层h1	隐藏层h1模拟内部神经元，如上图所示，共有256个隐藏神经元。
权重	权重模拟神经元的轴突，连接输入与接收神经元，负责传送信息。连接输入层(784个神经元)与隐藏层(256个神经元)，为了让两层的每一个神经元都相互连接，总共需要784*256=200704个突触。所以w1(权重)必须是784*256的矩阵，用来模拟这些突触的功能。
偏差值b1	偏差值b1仿真突触的结构，代表接收神经元容易被活化的程度，偏差值越高，越容易被活化并传递信息。如上图所示，因为隐藏层共有256个神经元，所以偏差值是长度为256的向量。
激活函数	激活函数仿真神经传导的工作方式，在此我们使用ReLu激活函数接收刺激的总和：(x*w1+b1)，经过激活函数ReLu的运算，大于临界值时，会传递至下一个神经元。

建立隐藏层与输出层公式：

y=softmax(h1*w2+b2)

变量名	说明
隐藏层h1	隐藏层h1模拟内部神经元，共有256个隐藏神经元。
输出层y	模拟输出神经元，就是预测的结果，共有10个输出神经元。对应我们希望预测的数字，从0到9共有10个结果。
权重w2	权重模拟神经元的轴突，连接输入与接收神经元，负责传送信息。连接隐藏层(256个神经元)与输出层(10个神经元)，为了让两层的每一个神经元互相连接，总共需要25610=2560个轴突。所以(w2)权重必须是25610的矩阵，用来模拟这些轴突的功能。
偏差值b2	偏差值b2仿真突触的结构，代表接收神经元容易被活化的程度，偏差值越高，越容易被活化并传递信息。如上图所示，因为接收神经元是输出层(10个神经元)，所以偏差值是长度为10的向量。
激活函数	在输出层中，我们使用softmax激活函数，接收刺激的总和(w2*h1+b2)经过softmax运算后的输出是一个概率分布，共有10个输出，数值越高代表概率越高，例如输出结果由0算起第5个数字数值最高，代表预测结果是5。

2.2建立多层感知器模型的步骤

建立多层感知器模型识别MNIST数据集中的手写数字步骤如下图所示

2.3对数据进行预处理

输入上一篇文章讲到的关键代码

import numpy as np                             #导入相关包
import pandas as pd
from keras.utils import np_utils
from keras.datasets import mnist
np.random.seed(10)

(X_train_image,y_train_label),(X_test_image,y_test_label)=mnist.load_data() #读取MNIST数据

import matplotlib.pyplot as plt
def plot_image(image):                     #定义显示某个数字图像的函数
    fig=plt.gcf()
    fig.set_size_inches(2,2)
    plt.imshow(image,cmap='binary')
    plt.show()

def plot_images_labels_prediction(images,labels,prediction,idx,num=10):   #定义显示features，labels和prediction的函数
    fig=plt.gcf()
    fig