keras第一个例程mnist_mlp.py解读

装好keras后，马上运行了例程mnist_mlp.py（multilayer perceptron, 这个是多层神经网络），哇好牛逼，准确率98.4%，但是并不知道自己干了啥。好吧，啃代码。
1. 开头就懵了，数据集在哪呐。

好，从这句入手，找到mnist.py，

从网上下载了minst.pkl.gz，自己顺手下了下来，解压，打开，，，然而并看不懂。肿么办？
不怕，看这里：机器学习–读取mnist数据集
对于这个数据集的详情也可以参考这里：THE MNIST DATABASE of handwritten digits
2. 接着往下看代码，好多语句都不太清楚对这些数据做了什么。这就需要用到调试了。
这里使用pdb比较方便，参见Python单步调试
举个例子，比如在执行Y_train = np_utils.to_categorical(y_train, nb_classes)
查看y_train和Y_train变量，我们会发现，这条语句是把标签调整为我们所需要的格式啦。如图：


或者我们也可以使用python自带的logging来调试，也很方便，参见python logging模块使用教程 , Python日志输出——logging模块
3. 后边的自己一步一步执行看一下，并同时结合理论知识学习吧
A. 程序读取数据集并保存到变量(X_train, y_train)和(X_test, y_test)中，其中X_train大小为60000*28*28，y_train为60000*1，X_test为10000*28*28，y_train为10000*1；在预处理中，程序把X_train和X_test分别变形为60000*784和10000*784 （即将每幅图片变为一个向量），并将其数据类型变为float，数据大小由0~255归一化到0~1；将标签变为二进制的向量（比如：5变为[0 0 0 0 0 1 0 0 0 0]）
B. 然后就开始添加一些层了，这里添加了Dense全连接层，Activation激活层和Dropout层，具体参见中文文档常用层 ，模型搭建完成后，使用了summary()函数打印出模型概况 。
C. 然后使用compile()配置模型的学习过程，fit()训练模型，evaluate()评估模型的误差。参见 Sequential模型接口 。最后计算的test score是所有损失函数的平均值。
4. 补充
A. 训练过程中显示的ETA:34s 是Expected Time of Arrival的意思。
B. 尝试完mnist_mlp.py，可以再看一看其他的基于mnist数据集的例子，如mnist_cnn.py。