keras_classifier

本文用 Keras 来构建一个分类神经网络，用到的数据集是 MNIST，就是 0 到 9 这几个数字的图片数据集
用keras构建分类神经网络的步骤：
1.数据预处理
2.建立神经网络
3.训练网络
4.测试模型

---

Demo.py

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential #models.Sequential，用来一层一层一层的去建立神经层；
from keras.layers import Dense, Activation#layers.Dense 意思是这个神经层是全连接层，
                                          #layers.Activation 激励函数。
from keras.optimizers import RMSprop #optimizers.RMSprop 优化器采用 RMSprop，加速神经网络训练方法

# 加载数据集
#Keras 自身就有 MNIST 这个数据包，再分成训练集和测试集。x 是一张张图片，y 是每张图片对应的标签，即它是哪个数字。
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 数据预处理
# 数据集reshape, -1表示该参数不指定, 系统通过推断来获得
# 输入的 x 变成 60,000*784 的数据，然后除以 255 进行标准化，因为每个像素都是在 0 到 255 之间的，标准化之后就变成了 0 到 1 之间。
X_train = X_train.reshape(X_train.shape[0], -1) / 255.0
X_test = X_test.reshape(X_test.shape[0], -1) / 255.0
# 将label变为向量
# 对于 y，要用到 Keras 改造的 numpy 的一个函数 np_utils.to_categorical，把 y 变成了 one-hot 的形式，即之前 y 是一个数值， 在 0-9 之间，现在是一个大小为 10 的向量，它属于哪个数字，就在哪个位置为 1，其他位置都是 0。
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)
print X_train[1].shape #  打印X一行的shape，即(784,)
print y_train[:3]  #  打印y的前三行的shape，即[[ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]
                                            # [ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
                                            # [ 0.  0.  0.  0.  1.  0.  0.  0.  0.  0.]]

# 建立模型
model = Sequential([
    Dense(32, input_dim = 784),#加入 Dense 神经层。32 是输出的维度，784 是输入的维度
    Activation('relu'),#第一层传出的数据有 32 个 feature，传给激励单元，激励函数用到的是 relu 函数。 经过激励函数之后，就变成了非线性的数据。 然后再把这个数据传给下一个神经层
    Dense(10),#这个 Dense 我们定义它有 10 个输出的 feature。同样的，此处不需要再定义输入的维度，因为它接收的是上一层的输出
    Activation('softmax')#再输入给softmax 函数，用来分类。
])
# 选择并定义优化求解方法
rmsprop = RMSprop(lr = 0.001, rho = 0.9, epsilon = 1e-8, decay = 0.0)#用 RMSprop 作为优化器，它的参数包括学习率等，可以通过修改这些参数来看一下模型的效果。
# 用 model.compile 激励神经网络，选择损失函数、求解方法、度量方法
#优化器optimizer，可以是默认的，也可以是我们在上一步定义的。 损失函数，分类和回归问题的不一样，用的是交叉熵。 metrics，里面可以放入需要计算的 cost，accuracy，score 等。
model.compile(optimizer = rmsprop, loss = 'categorical_crossentropy', metrics = ['accuracy'])
# 训练模型
#用到的是 fit 函数，把训练集的 x 和 y 传入之后，nb_epoch 表示把整个数据训练多少次，batch_size 每批处理32个。
model.fit(X_train, y_train, epochs = 2, batch_size = 32)
# 评估模型
#用测试集来检验一下模型，方法和回归网络中是一样的，运行代码之后，可以输出 accuracy 和 loss。
loss, accuracy = model.evaluate(X_test, y_test)
print 'loss: ', loss
print 'accuracy: ', accuracy

---

结果：

(784L,)
[[ 0.  0.  0. ...,  0.  0.  0.]
 [ 1.  0.  0. ...,  0.  0.  0.]
 [ 0.  0.  0. ...,  0.  0.  0.]]
Epoch 1/2
60000/60000 [==============================] - 1s - loss: 0.3488 - acc: 0.9021       
Epoch 2/2
60000/60000 [==============================] - 1s - loss: 0.1937 - acc: 0.9440     
 7424/10000 [=====================>........] - ETA: 0sloss:  0.183165572087
accuracy:  0.9466