Keras学习笔记（2）——多层感知机

本人的学习理念是，在有一定基础知识的前提下，代码最好通过例子快速上手。所以这个系列的学习，将以分析Keras官方提供的例子，并进行注释理解为主线。

实例传送门：https://github.com/fchollet/keras/tree/master/examples

代码基本思路如下：
1.准备依赖的函数与包，准备数据集
2.模型训练：网络模型搭建——损失函数定义——参数优化过程
3.性能评估

#-*- coding:utf-8 –*-'''MNIST数据集的多层感知机模型'''from __future__ import print_functionimport kerasfrom keras.datasets import mnist#！！！数据集重导入时需要修改from keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.optimizers import RMSprop#定义抓包大小，类别总数，训练轮数batch_size = 128num_classes = 10epochs = 20#数据集被分为训练集与测试集(x_train, y_train), (x_test, y_test) = mnist.load_data()#接口由导入函数实现x_train = x_train.reshape(60000, 784)#reshape函数来自numpy，将图像的二维存储序列化为一维信息x_test = x_test.reshape(10000, 784)x_train = x_train.astype('float32')#astype函数来自numpy，将元素数据类型修改为float32x_test = x_test.astype('float32')x_train /= 255#训练样本归一化处理（色彩区间为0-255）x_test /= 255print(x_train.shape[0], 'train samples')print(x_test.shape[0], 'test samples')# 生成测试数据集与标签之间的二元关系y_train = keras.utils.to_categorical(y_train, num_classes)y_test = keras.utils.to_categorical(y_test, num_classes)###网络模型搭建#这里采用线性网络，用sequential函数初始化。有三层网络。网络的叠加通过add函数实现。第一个数字512规定了隐层结点个数，#relu规定了神经元激活函数。从全连接的神经网络结构看，只需要定义输入结点的接收信息维数即可，最后一行结点的输出向量#即为输出的特征判别结果的一维二分类表示#dropout函数原型为keras.layers.core.Dropout(rate, noise_shape=None, seed=None)，用于去掉一定比例的结点防止过学习model = Sequential()model.add(Dense(512, activation='relu', input_shape=(784,)))model.add(Dropout(0.2))model.add(Dense(512, activation='relu'))model.add(Dropout(0.2))model.add(Dense(10, activation='softmax'))model.summary()#该函数给出了网络结构信息表###损失函数定义#categorical_crossentropy特定用于类别向量中只有一项为1，其它全为0的情况#RMSprop参数优化方法可以采用默认参数model.compile(loss='categorical_crossentropy',              optimizer=RMSprop(),              metrics=['accuracy'])###参数优化过程#verbose=1即输出训练过程进度条，0即不输出进度#validation_data即与测试集标签进行比对，得到分类准确率#score的0，1项分别为最后计算的损失值与正确率history = model.fit(x_train, y_train,                    batch_size=batch_size,                    epochs=epochs,                    verbose=1,                    validation_data=(x_test, y_test))###性能评估score = model.evaluate(x_test, y_test, verbose=0)print('Test loss:', score[0])print('Test accuracy:', score[1])