Python 深度学习--学习笔记（一）

首先导入数据，第一次导入时需要等待下载

from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()

train_images:训练需要的图片
test_images:测试需要的图片
train_labels:训练图片对应的标签
test_labels:测试图片对应的标签

现在我们查看下图片是否正确导入

import matplotlib.pyplot as plt
import numpy as np

a = int(np.random.choice(train_images.shape[0],1))
digit = train_images[a]
plt.imshow(digit,cmap=plt.cm.binary)
plt.show()
print(train_labels[a])

cmap=plt.cm.binary：生成黑白灰度图

输出结果：

接着，我们再查看下训练图片及其标签，测试图片及其标签的大小：

print(train_images.shape,train_labels.shape)
print(test_images.shape,test_labels.shape)

输出结果：
(60000, 28, 28) (60000,)
(10000, 28, 28) (10000,)

可知，训练图片有60000张，测试图片有10000张，它们的大小都为28 * 28

然后，我们就可以定义模型了：

from keras import models
from keras import layers

network = models.Sequential()  #Sequential:有序的
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax')) #输出层

我们定义的模型是有序的，在第一行声明
network = models.Sequential() 意味有序层
这里定义了2个网络层。
第一层有512个神经元，激活函数为relu
relu函数的定义是：
        x (x>0)
y =
        0 (x<=0)
我们需要使用激活函数是数据呈非线性化，机器才能得到 “学习”
我们定义的层为密集层，没有空间结构，输入的单位大小需要为一个一维数组，数量任意。
故需要把原来的图片改为一维（28*28）的形式

第二层为输出层，输出10个结果，即对应10个阿拉伯数字的概率，概率最大的为预测结果。
输出多个（两个以上）的分类结果的概率，我们需要用到的激活函数为softmax。
10个输出概率加起来正好为 1。

接着定义学习模式：

network.compile(loss='categorical_crossentropy',
				optimizer='rmsprop',
                metrics=['accuracy'])

        loss(损失函数)：这里使用多元交叉熵来衡量损失值的大小
        多元交叉熵是多分类问题中经常用到的衡量公式

        optimizer(优化器)：简单来说就是通过反向传播求得各层梯度，通过调整权重和偏置来使得损失值变小，进而提高精确度。这里用到是 RMSprop优化器

        metrics(评价标准)：训练时的输出结果，分类问题一般都用acc——accuracy(准确度)

在训练模型前，我们需要对数据处理，转为机器能够学习处理的数据。
         对图片进行处理：

train_images = train_images.reshape((60000,28*28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype('float32') / 255

这里，我们定义的网络层为密集连接层，没有空间结构，输入的单位图像为一维数组，需要将每张图片转为一维结构。
同时为方便学习（relu函数在0~1时敏感），我们将图片的每个像素除以 255 已得到像素值为0~1黑白灰的图像。

            对标签进行处理：

from keras.utils import to_categorical

#对标签进行分类编码
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

将标签转为one-hot标签，与输出层为10个结果的结构对应。
例如，标签为3，经过one-hot处理成[0,0,0,1,0,0,0,0,0,0]
1对应的索引正好为3。

前期准备都完成了，现在开始训练：

network.fit(train_images,train_labels,epochs=5,batch_size=128)

传入处理的图片数据和标签数据，训练5轮（全部数据传输完成一次为一轮），批次数为128（每次传入128个数据，即（128，28*28））

可以看到，每个epoch都会输出loss和acc（metrics定义好的）

最后，用测试集评估，观测是否出现过拟合：

test_loss,test_acc = network.evaluate(test_images,test_labels)
print('test_acc:',test_acc)

输出结果：

测试集的精确度也能达到98%，模型的泛化程度不错。