1.keras訓練神經網絡的一般步驟

• 導入數據，做數據處理，使數據符合模型要求
• 定義網絡結構
• 定義損失函數、優化器、監控指標
• 訓練模型
• 圖形化

2.使用MNIST數據集的一個例子

from keras.datasets import mnist
from keras import models
from keras import layers
from keras.utils import to_categorical
import matplotlib.pyplot as plt
#導入數據
(train_x,train_y),(test_x,test_y) = mnist.load_data()
 
#每個神經元表示一個像素，所以把3維數據轉換成2維數據
train_x = train_x.reshape(60000,28*28)
train_x = train_x.astype(‘float32‘) /255
test_x = test_x.reshape(10000,28*28)
test_x = test_x.astype(‘float32‘) /255
#把數據中類別用向量表示，以便使用交叉熵,6---->[0,0,0,0,0,0,1,0,0,0]
train_y = to_categorical(train_y)
test_y = to_categorical(test_y)
#定義網絡結構
network = models.Sequential()
 
#Dense表示全連接
network.add(layers.Dense(512,activation="relu",input_shape=(28*28,)))
network.add(layers.Dense(10,activation="softmax"))

#定義損失函數、優化器、監控指標
network.compile(optimizer="rmsprop",loss="categorical_crossentropy",metrics=[‘accuracy‘])
#訓練模型
history = network.fit(train_x,train_y,batch_size=128,epochs=11,validation_data=(test_x,test_y))

history_dict 
 
= history.history
loss = history_dict[‘loss‘]
val_loss = history_dict[‘val_loss‘]
acc = history_dict[‘acc‘]
val_acc = history_dict[‘val_acc‘]

epochs = range(1,11)
#loss的圖
plt.subplot(121)
plt.plot(epochs,loss,‘g‘,label = ‘Training loss‘)
plt.plot(epochs,val_loss,‘b‘,label = ‘Validation loss‘)
plt.xlabel(‘Epochs‘)
plt.ylabel(‘Loss‘)
#顯示圖例
plt.legend()

plt.subplot(122)
plt.plot(epochs,acc,‘g‘,label = ‘Training accuracy‘)
plt.plot(epochs,val_acc,‘b‘,label = ‘Validation accuracy‘)
plt.xlabel(‘Epochs‘)
plt.ylabel(‘accuracy‘)
plt.legend()
plt.show()

結果圖如下

可以發現隨著輪數的提升，訓練集的損失在不斷減少，驗證集的損失在輪數為5左右達到了最小；同理隨著輪數提升，訓練集的精度在不斷提升，驗證集的精度在輪數為5左右達到最大；提示我們有可能發生了過擬合，可以把輪數改為5

第一個神經網絡