上一篇文章總結了Keras的基本使用方法，相信用過的同學都會覺得不可思議，太簡潔了。十多天前，我在github上發現這個框架的時候，關注Keras的人還比較少，這兩天無論是github還是微薄，都看到越來越多的人關注和使用Keras。所以這篇文章就簡單地再介紹一下Keras的使用,方便各位入門。

主要包括以下三個內容：

• 訓練CNN並儲存訓練好的模型。
• 將CNN用於特徵提取，用提取出來的特徵訓練SVM。
• 視覺化CNN卷積層後的特徵圖。

1. 載入資料

資料是圖片格式，利用pyhton的PIL模組讀取，並轉為numpy.array型別。這部分的程式碼在data.py裡：

2. 訓練CNN並儲存訓練好的CNN模型

將上一步載入進來的資料分為訓練資料（X_train，30000個樣本）和驗證資料（X_val，12000個樣本），構建CNN模型並訓練。訓練過程中，每一個epoch得到的val-accuracy都不一樣，我們儲存達到最好的val-accuracy時的模型，利用Python的cPickle模組保持。（Keras的開發者最近在新增用hdf5保持模型的功能，我試了一下，沒用成功，去github發了issue也沒人回，估計還沒完善，hdf5壓縮率會更高，儲存下來的檔案會更小。）

這部分的程式碼在cnn.py裡，執行:

python cnn.py

在第Epoch 4得到96.45%的validation accuracy,執行完後會得到model.pkl這份檔案，儲存的就是96.45%對應的模型：

3.將CNN用於特徵提取，用提取出來的特徵訓練SVM

上一步得到了一個val-accuracy為96.45%的CNN模型，在一些論文中經常會看到用CNN的全連線層的輸出作為特徵，然後去訓練其他分類器。這裡我也試了一下，用全連線層的輸出作為樣本的特徵向量，訓練SVM。SVM用的是scikit learn裡的演算法。

這部分程式碼在cnn-svm.py,執行：

python cnn-svm.py

得到下圖的輸出，可以看到，cnn-svm的準確率提高到97.89%：

4.視覺化CNN卷積層後的特徵圖

將卷積層和全連線層後的特徵圖、特徵向量以圖片形式展示出來，用到matplotlib這個庫。這部分程式碼在get_feature_map.py

python get_feature_map.py

得到全連線層的輸出，以及第一個卷積層輸出的4個特徵圖：