目录

一、分步流程

0.导入所需库

1.载入数据

3.创建模型

4.训练模型

5.完整代码

二、需要用到的keras函数

1.np_utils.to_categorical()

 2.keras.optimizers.SGD()

3.model.compile()

4.model.fit()

5.model.evaluate()

一、分步流程

0.导入所需库

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

1.载入数据

(x_train,y_train), (x_test,y_test) = mnist.load_data()  #第一次需要下载，不过很快
# x_train 60000张28*28的图片，图片上为0-9的数字   y_train：60000个标签，对应于x_train
#x_test：10000张28*28的图片  y_test：10000个标签，对应于x_test

print('x_shape: ',x_train.shape)    # (60000, 28, 28)
print('y_shape: ',y_train.shape)    # (60000,)
print('x_test_shape: ',x_test.shape) # (10000, 28, 28)
print('y_test_shape: ',y_test.shape) #  (10000,)

# 60000, 28, 28)->(60000, 784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
# x_train.shape是(60000, 28, 28)， x_train.shape[0]就是60000
# -1表示不自己设置具体维度，自动寻找合适值给设置，这里自动设成28*28，也就是784
# 除255是为了归一化
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 转换为one_hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)  # 标签转换为独热向量表示
y_test = np_utils.to_categorical(y_test,num_classes=10)

这里用具体的例子来理解为什么除255.0：

先打印第一张图片并且没有/255的图片看看：

可以看到一些像素点是以整数表示。

归一化后，对应的整数都变为了[0,1]的数字：

3.创建模型

# 输入层784个神经元，输出层10个神经元
model = Sequential([
        Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
    ])                              # 偏置设为1              激活函数用softmax

# 定义优化器
sgd = SGD(lr=0.2)  #学习率设置为0.2，可以自己看着调

# 定义优化器, loss function, 训练过程中计算准确率
model.compile(
        optimizer = sgd,
        loss = 'mse',            # 损失函数用均方误差
        metrics = ['accuracy'], 
)

4.训练模型

# 训练模型
model.fit(x_train, y_train,batch_size=32,epochs=10)
# batch_size是一次把32条数据投进去训练，每次训练32条，训练60000/32次，
# 这60000/32次训练一遍为一个epoch，一共训练10个epoch

# 评估模型
loss, accuracy = model.evaluate(x_test,y_test)
print('\ntest loss: ',loss)
print('accuracy:',accuracy)

5.完整代码

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

# 载入数据
# x_train 60000个28*28的数字 y_train：60000个标签，对应于x_train
(x_train,y_train), (x_test,y_test) = mnist.load_data()

# 60000, 28, 28)->(60000, 784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
# x_train.shape是(60000, 28, 28)， x_train.shape[0]就是60000
# -1表示不自己设置具体维度，自动寻找合适值给设置，这里自动设成28*28，也就是784
# 除255是为了归一化，把一张图片上
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 换one_hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)  # 标签转换为独热向量表示
y_test = np_utils.to_categorical(y_test,num_classes=10)


# 创建模型
model = Sequential([
        Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
    ])

# 定义优化器
sgd = SGD(lr=0.2)

# 定义优化器, loss function, 训练过程中计算准确率
model.compile(
        optimizer = sgd,
        loss = 'mse',
        metrics = ['accuracy'],
)

#训练模型
model.fit(x_train, y_train,batch_size=32,epochs=10)
#batch_size是一次把32条数据投进去训练，每次训练32条，训练60000/32次，这60000/32次训练一遍为一个epoch，一共训练10个epoch

# 评估模型
loss, accuracy = model.evaluate(x_test,y_test)
print('\ntest loss: ',loss)
print('accuracy:',accuracy)

二、需要用到的keras函数

1.np_utils.to_categorical()

对数据的label进行one-hot encoding转换。在深度学习中做分类时，需要将figure的label转化为one-hot encoding。

np_utils.to_categorical(数据的label)

 2.keras.optimizers.SGD()

SGD:随机梯度下降法，优化器之一

keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)

参数：

lr：大或等于0的浮点数，学习率

momentum：大于或等于0的浮点数，动量参数

decay：大或等于0的浮点数，每次更新后的学习率衰减值

nesterov：布尔值，确定是否使用Nesterov动量

3.model.compile()

model.compile()方法用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准

model.compile(optimizer = 优化器，
              loss = 损失函数，
              metrics = ["准确率”])

# optimizer和loss可以是字符串形式给出的优化器名字，也可以是函数形式

4.model.fit()

fit( x, y, batch_size=32, epochs=10, verbose=1, callbacks=None,
validation_split=0.0, validation_data=None, shuffle=True, 
class_weight=None, sample_weight=None, initial_epoch=0)

x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array

y：输入数据对应的标签，numpy array

batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
 

epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch

返回值：

fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况

5.model.evaluate()

输入数据和标签,输出损失和精确度.

# 用来评估模型
loss,accuracy = model.evaluate(X_test,Y_test)