Keras是搭建神经网络的一个框架，以代码简洁著称。MNIST数据集的输入是手写数字0~9的图片，标签是每张图片对应的数字，整个数据集可以直接从Keras.库中下载。
MNIST DEMO
下面使用Keras搭建一个双层的神经网络，测试它在MNIST数据集上的性能。
大致流程如下：
1、导入数据集，将数据集所有的输入图片都从28*28的矩阵转换为784维的向量，所有整数标签都转换为10维的one-hot编码。
2、定义784层->10层的双层网络，没有隐层。
3、将训练集分为训练数据与验证数据，用来测试超参数。
4、使用验证出的超参数与整个训练集重新训练模型。
5、使用测试集测试训练完毕的模型并统计。
6、绘制统计结果。
代码如下（划横线的是kares搭建模型、训练、测试的代码）：
#%%导入数据 from keras.datasets import mnist import matplotlib.pyplot as plt import numpy as np (train_data,train_labels),(test_data,test_labels) = mnist.load_data() #%%数据预处理 train_data = train_data.reshape([len(train_data),28*28]) test_data = test_data.reshape([len(test_data),28*28]) ax = plt.figure().add_subplot() ax.imshow(train_data[0].reshape([28,28]),cmap = 'bone') def label_to_one_hot(labels): l = np.zeros([len(labels),10]) for i in range(len(labels)): l[i,labels[i]]=1 return l train_labels = label_to_one_hot(train_labels) test_labels = label_to_one_hot(test_labels) #%%定义模型 from keras import models,layers,losses,optimizers,metrics def build_model(): model = models.Sequential() model.add(layers.Dense(28*28,activation = 'relu',input_shape = (len(train_data[0]),))) #model.add(layers.Dense(100,activation='relu')) model.add(layers.Dense(10,activation='softmax')) model.compile(optimizer=optimizers.RMSprop(lr=0.001), loss = losses.categorical_crossentropy, metrics=[metrics.accuracy]) return model model = build_model() #%%测试验证参数和最优迭代次数 x_train = train_data[10000:] y_train = train_labels[10000:] x_val = test_data[:10000] y_val = test_labels[:10000] history = model.fit(x_train,y_train,512,80,validation_data=(x_val,y_val)) #%%绘制准确率图 print(history.history.keys()) acc = history.history['accuracy'] acc_val = history.history['val_accuracy'] ax = plt.figure().add_subplot() ax.plot(range(len(acc)),acc) ax.plot(range(len(acc)),acc_val) #%%在整个训练集上重新训练 model_train = build_model() model_train.fit(train_data,train_labels,512,50) #%%预测测试集 predict_labels = model_train.predict(test_data) print("预测标签：") print(predict_labels) evaluate = model_train.evaluate(test_data,test_labels) print("损失值与准确率：") print(evaluate)
两层全连接网络在MNIST上的表现很好，在测试数据上的准确率达到了98%。
函数式API MEMO
除了用Sequence()创建简单常见的“积木式”模型外，keras还支持函数式API搭建自定义的“类图”模型。
下面创建有两个输入层，一个输出层的模型，这个模型在中间层合并数据流。代码如下：
from tensorflow.keras import Input,layers,Model input_1 = Input(shape=[None],dtype='int32',name = 'input_1') #输入层1 out_1 = layers.Embedding(10000,32)(input_1) #嵌入层1，将文本整数索引变换为32维向量。以减小索引的“序”的影响，并且又不会和one-hot-code一样编码太长 out_1 = layers.LSTM(64)(out_1) #循环层1 input_2 = Input(shape=[None],dtype='int32',name = 'input_2') #输入层2 out_2 = layers.Embedding(10000,32)(input_2) #嵌入层2 out_2 = layers.LSTM(32)(out_2) #循环层2 out_final = layers.concatenate([out_1,out_2],axis=-1) #合并层 out_final = layers.Dense(500,activation='softmax')(out_final) #输出层 model = Model([input_1,input_2],out_final) model.summary() from tensorflow.keras.utils import plot_model plot_model(model,'aaa.png')
模型结构图：
创建好模型，要传入数据训练，以下是生成随机数据来训练这个模型代码：
import numpy as np from tensorflow.keras.utils import to_categorical num_samples = 1000 max_length = 100 text = np.random.randint(1,10000,size=[num_samples,max_length]) question = np.random.randint(1,10000,size=[num_samples,max_length]) answers = np.random.randint(500,size=[num_samples]) answers = to_categorical(answers) #训练一，直接按定义的顺序传入列表 his = model.fit([text,question],answers, batch_size=2048, epochs=500) #训练二，传入字典，字典key是输入层定义的名称 his = model.fit({'input_1':text,'input_2':question},answers, batch_size=2048, epochs=500)