1.一个神经网络示例

一个神经网络示例

1. 加载 Keras 中的 MNIST 数据集

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

2. 网络架构

   from keras import models
   from keras import layers
   
   network = models.Sequential()
   network.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))
   network.add(layers.Dense(10,activation='softmax'))
   

3. 编译步骤

   编译步骤的三个参数

   • 损失函数（loss function）

     网络如何衡量在训练数据上的性能，即网络如何朝着正确方向前进。

   • 优化器（optimizer）

     基于训练数据和损失函数来更新网路的机制。

   • 在训练和测试过程中需要监控的指标（metric）

     本例只关心精度，即正确分类的图像所占比例。

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

4. 准备图像数据

   将数据进行预处理，将其变换为网络要求的形状，并缩放放到所有值都在 [0, 1] 区间。

   train_images = train_images.reshape((60000,28*28))
   train_images = train_images.astype('float32') / 255
   
   test_images = test_images.reshape((1000,28*28))
   test_images = test_images.astype('float32') / 255
   

5. 准备标签

   from keras.utils import to_categorical
               
   train_labels = to_categorical(train_labels)
   test_labels = to_categorical(test_labels)
   

   现在可以准备开始训练网络，在 Keras 中这一步通过调用网络的 fit 方法来完成的——在训练数据上拟合（fit）模型

   >>>network.fit(train_image, train_labels, epochs=5, batch_size=128)
   Epoch 1/5
   60000/60000 [==========================] - 9s - loss:0.2524 - acc: 0.9273
   Epoch 2/5
   51328/60000 [======================>...] - ETA: 1s - loss: 0.1035 - acc: 0.9692
   

   训练过程中显示了两个数字：

   • 网络在训练数据上的损失（loss）
   • 网络在训练数据上的精度（acc）

   >>> test_loss, test_acc = network.evaluate(test_images, test_labels)
   >>> print('test_acc:', test_acc)
   test_acc: 0.9785