使用Keras建立手写数字识别的全连接神经网络

前言：记录一下自己写的第一个神经网络，相当于人工智能的hello world程序吧，也是记录一下Keras的基本用法，方便以后查阅也希望对深度学习初学者有所帮助！

手写数字识别

导入模块

from keras.models import Sequential
from keras.layers.core import Dense,Activation
from keras.optimizers import Adam,SGD
from keras.datasets import mnist
from keras.utils import np_utils

导入手写数字识别数据集

(x_train, y_train),(x_test, y_test) = mnist.load_data()             #从Keras自带的数据集里面下载mnist手写数字数据集
x_train = x_train.reshape(x_train.shape[0],28*28).astype('float32') #把28*28的图片矩阵数据转换为向量
x_test = x_test.reshape(x_test.shape[0],28*28).astype('float32')
y_train = np_utils.to_categorical(y_train, 10)   #把y转换为长为10的向量，手写数字是什么第几个就为1，其他元素为0
y_test = np_utils.to_categorical(y_test, 10)
x_train = x_train / 255   #降低图片数据的灰度值，便于训练
x_test = x_test /255
print(y_test)

[[0. 0. 0. ... 1. 0. 0.]
 [0. 0. 1. ... 0. 0. 0.]
 [0. 1. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]]

建立Sequential模型

• Sequential是一系列网络层按顺序构成的栈

model = Sequential()

通过 .add方法构建网络层

##首先添加第一个输入层，要指定层类型：Dense（全连接），输入个数：input_dim，输出个数：units，激活函数：activation
model.add(Dense(input_dim=28*28, units=500, activation='relu')) #第一层
##添加隐藏层，从第二层开始不需要指定输入个数，只需要输出个数就行，也需要指定激活函数
model.add(Dense(units=500, activation='relu'))
##如果隐藏层添加完了就可以添加最后的输出层了，指定输出个数，由于是分类问题，这里可以使用softmax作为激活函数
model.add(Dense(units=10, activation='softmax'))  #建立输出层

使用.compile()方法来编译模型

• 当构建完模型后，我们需要使用.compile()方法来编译模型
• loss：定义一个损失函数，常用交叉熵categorical_crossentropy，均方误差mse等
• optimizer：优化器，常用随机梯度下降法SGD、Adam等

model.compile(loss='categorical_crossentropy', optimizer='Adam', metrics=['accuracy'])

使用 .fit( )方法训练数据

• x_train,y_train :训练数据集
• batch_size :指定一个size表示每次更新一次参数需要从训练集中随机抽取多少个样本，一般越大速度越快
• epochs :每次使用完所有的训练数据集表示一次epoch

model.fit(x_train, y_train, batch_size=500, epochs=5)

Epoch 1/5
60000/60000 [==============================] - 6s 105us/step - loss: 0.0021 - acc: 0.9998
Epoch 2/5
60000/60000 [==============================] - 7s 112us/step - loss: 0.0017 - acc: 0.9999
Epoch 3/5
60000/60000 [==============================] - 6s 98us/step - loss: 0.0014 - acc: 0.9999
Epoch 4/5
60000/60000 [==============================] - 6s 99us/step - loss: 0.0012 - acc: 1.0000
Epoch 5/5
60000/60000 [==============================] - 6s 101us/step - loss: 0.0010 - acc: 1.0000





<keras.callbacks.History at 0xe82b550>

可以看到结果acc表示在training data上准确度达到100%

使用 .evaluate( )方法计算模型在测试数据集上的效果

result_test = model.evaluate(x_test, y_test, batch_size=500)
print('\nTest Acc:', result_test[1])

10000/10000 [==============================] - 0s 37us/step

Test Acc: 0.9867000043392181

在测试数据集的准确度也达到了98.67%，说明没有过拟合，模型效果不错