（数据科学学习手札44）在Keras中训练多层感知机

一、简介

　　Keras是有着自主的一套前端控制语法，后端基于tensorflow和theano的深度学习框架，因为其搭建神经网络简单快捷明了的语法风格，可以帮助使用者更快捷的搭建自己的神经网络，堪称深度学习框架中的sklearn，本文就将基于Keras，以手写数字数据集MNIST为演示数据，对多层感知机（MLP）的训练方法进行一个基本的介绍，而关于多层感知机的相关原理，请移步数据科学学习手札34：https://www.cnblogs.com/feffery/p/8996623.html，本文不再赘述。

二、利用Keras训练多层感知机

2.1 数据准备

　　由于keras.datasets中的mnist数据集获取方法为在线模式，目标网站在国内被墙了，所以这里提供另一种获取mnist数据集并读入的方式：

　　我们使用numpy中的load方法来读取npz格式的mnist数据集，下载地址在我的云盘中：链接: https://pan.baidu.com/s/13eBq9kmD0Vo6PMtfGVVlPQ 密码: xm77，下载完成后把mnist.npz文件放入keras模块的安装路径下的datasets文件夹中，这个自行去查找，例如我的路径就在D:anacondaLibsite-packageskerasdatasets，找到路经后放入mnist.npz即可，接着在程序脚本中以下面的方式读入（因为mnist.npz文件中各个子数据集是以字典形式存放）：

代码语言：javascript复制

import numpy as np

#因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据
path = r'D:anacondaLibsite-packageskerasdatasetsmnist.npz'

with np.load(path) as f:
    X_train, y_train = f['x_train'], f['y_train']
    X_test, y_test = f['x_test'], f['y_test']

通过上述步骤，我们就获得了我们所需要的数据。

2.2 数据预处理

　　在获得所需数据并成功读入后，我们需要做的是对数据进行预处理，因为本文只用到多层感知机来对mnist数据实现分类，并没有条件利用到每一个28X28格式手写数字灰度值样本的空间结构信息，所以需要将自变量进行从28X28到1X784的展开，并且由于输出目标为多类别，需要对因变量做one hot处理，并将全部数据转换为GPU运算支持的float32形式并归一化，相关代码如下：

代码语言：javascript复制

#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

'''将训练集与测试集重塑成维度为784，数值类型为float32的形式'''
X_train = X_train.reshape(60000, RESHAPED).astype('float32')
X_test = X_test.reshape(10000, RESHAPED).astype('float32')

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵，即one-hot处理，传入单值，返回制定长度的向量表示形式
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

至此，数据的预处理部分结束，下面正式进行MLP的模型搭建和训练过程；

2.3 第一个不带隐层的多层感知机模型

　　首先，导入相关模块和组件：

代码语言：javascript复制

'''这个脚本以MNIST手写数字识别为例演示无隐层的多层感知机模型在Keras中的应用'''


import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

　　接着，我们定义训练需要设置的一些必要参数：

代码语言：javascript复制

'''设置随机数种子'''
np.random.seed(42)


'''网络结构参数预定义部分'''

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2

　　现在到了最关键的网络结构搭建的部分，对于多层感知机，我们使用序贯模型Sequential来初始化，序贯模型的特点是网络的各组件按照其向后传播的路径来add，针对本例如下：

代码语言：javascript复制

'''网络结构搭建部分'''
#定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义输入层到输出层之间的网络部分
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,)))
#为输出层添加softmax激活函数以实现多分类
model.add(Activation('softmax'))
#打印模型结构
model.summary()

　　现在本例中的简单无隐层多层感知机就搭建完成，通过model.summary()我们可以看到网络结构如下：

可以看出每一层的结构非常清楚明了，这也是Keras的魅力所在，接着我们进行网络的编译，因为keras的后端是tensorflow或theano，所以需要将keras前端语言搭建的神经网络编译为后端可以接受的形式，在这个编译的过程中我们也设置了一些重要参数：

代码语言：javascript复制

#在keras中将上述简单语句定义的模型编译为tensorflow或theano中的模型形式
#这里定义了损失函数为多分类对数损失，优化器为之前定义的SGD随机梯度下降优化器，评分标准为accuracy准确率
model.compile(loss='categorical_crossentropy',optimizer=OPTIMIZER,metrics=['accuracy'])

　　至此，网络的所有准备工作都已结束，下面进行正式的训练：

代码语言：javascript复制

#进行训练并将模型训练历程及模型参数细节保存在history中，这里类似sklearn的方式，定义了自变量和因变量，以及批训练的尺寸，迭代次数，是否打印训练过程，验证集比例
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)

我们之前设置的训练迭代次数NB_EPOCH为40，又因为上面的fit代码中设置了verbose为1，即打印训练过程，所以得到结果如下（这里直接看第40轮迭代结果）：

代码语言：javascript复制

Epoch 40/40
  128/48000 [..............................] - ETA: 1s - loss: 0.2974 - acc: 0.8906
 3968/48000 [=>............................] - ETA: 0s - loss: 0.3158 - acc: 0.9115
 7808/48000 [===>..........................] - ETA: 0s - loss: 0.3303 - acc: 0.9061
11776/48000 [======>.......................] - ETA: 0s - loss: 0.3336 - acc: 0.9067
15616/48000 [========>.....................] - ETA: 0s - loss: 0.3332 - acc: 0.9075
19072/48000 [==========>...................] - ETA: 0s - loss: 0.3305 - acc: 0.9085
22784/48000 [=============>................] - ETA: 0s - loss: 0.3264 - acc: 0.9095
26624/48000 [===============>..............] - ETA: 0s - loss: 0.3245 - acc: 0.9093
30464/48000 [==================>...........] - ETA: 0s - loss: 0.3263 - acc: 0.9085
34048/48000 [====================>.........] - ETA: 0s - loss: 0.3256 - acc: 0.9090
37760/48000 [======================>.......] - ETA: 0s - loss: 0.3271 - acc: 0.9092
40960/48000 [========================>.....] - ETA: 0s - loss: 0.3279 - acc: 0.9087
43648/48000 [==========================>...] - ETA: 0s - loss: 0.3285 - acc: 0.9084
46336/48000 [===========================>..] - ETA: 0s - loss: 0.3307 - acc: 0.9075
48000/48000 [==============================] - 1s 16us/step - loss: 0.3313 - acc: 0.9075 - val_loss: 0.3153 - val_acc: 0.9137

可以看出，在经过40轮迭代后，我们的网络在训练集上的多分类损失函数上下降到0.3313，在训练集上的准确率达到0.9075，在验证集上的多分类损失函数下降到0.3153，在验证集上的准确率达到0.9137，接着我们将测试集中的10000个样本输入训练好的模型进行性能评估；

代码语言：javascript复制

#在测试集上对训练好的网络性能进行评估，返回第一项为损失函数，第二项为accuracy
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数和准确率
print('Test Score:',score[0])
print('Test accuracy:',score[1])

2.4 添加隐层的多层感知机

　　上一个例子中我们使用不添加隐层的MLP在40轮迭代后达到0.9137的准确率，接下来我们来看看添加两层隐层后网络的学习能力会有怎样的提升，在keras中对MLP添加隐层的方法非常简单，只需要按照顺序在指定的位置插入隐层即对应的激活函数即可：

代码语言：javascript复制

'''网络结构搭建部分'''
#定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义网络中输入层与第一个隐层之间的部分
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation('relu'))
#添加第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation('relu'))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层添加softmax激活函数
model.add(Activation('softmax'))
#打印网络结构
model.summary()

得到的新的网路结构如下：

其他部分代码均不变，得到40轮后的最终训练结果如下：

代码语言：javascript复制

Epoch 40/40
  128/48000 [..............................] - ETA: 1s - loss: 0.0715 - acc: 0.9922
 1792/48000 [>.............................] - ETA: 1s - loss: 0.0997 - acc: 0.9721
 3456/48000 [=>............................] - ETA: 1s - loss: 0.1142 - acc: 0.9702
 4736/48000 [=>............................] - ETA: 1s - loss: 0.1157 - acc: 0.9704
 6016/48000 [==>...........................] - ETA: 1s - loss: 0.1178 - acc: 0.9694
 7424/48000 [===>..........................] - ETA: 1s - loss: 0.1141 - acc: 0.9698
 8960/48000 [====>.........................] - ETA: 1s - loss: 0.1151 - acc: 0.9696
10624/48000 [=====>........................] - ETA: 1s - loss: 0.1165 - acc: 0.9697
12288/48000 [======>.......................] - ETA: 1s - loss: 0.1185 - acc: 0.9692
14080/48000 [=======>......................] - ETA: 1s - loss: 0.1162 - acc: 0.9695
15744/48000 [========>.....................] - ETA: 1s - loss: 0.1166 - acc: 0.9692
17408/48000 [=========>....................] - ETA: 0s - loss: 0.1178 - acc: 0.9682
19200/48000 [===========>..................] - ETA: 0s - loss: 0.1183 - acc: 0.9680
20864/48000 [============>.................] - ETA: 0s - loss: 0.1182 - acc: 0.9681
22528/48000 [=============>................] - ETA: 0s - loss: 0.1192 - acc: 0.9674
24192/48000 [==============>...............] - ETA: 0s - loss: 0.1192 - acc: 0.9675
25984/48000 [===============>..............] - ETA: 0s - loss: 0.1194 - acc: 0.9670
27648/48000 [================>.............] - ETA: 0s - loss: 0.1194 - acc: 0.9668
29312/48000 [=================>............] - ETA: 0s - loss: 0.1195 - acc: 0.9663
30976/48000 [==================>...........] - ETA: 0s - loss: 0.1202 - acc: 0.9658
32640/48000 [===================>..........] - ETA: 0s - loss: 0.1199 - acc: 0.9657
34304/48000 [====================>.........] - ETA: 0s - loss: 0.1202 - acc: 0.9659
35968/48000 [=====================>........] - ETA: 0s - loss: 0.1220 - acc: 0.9655
37632/48000 [======================>.......] - ETA: 0s - loss: 0.1224 - acc: 0.9654
39296/48000 [=======================>......] - ETA: 0s - loss: 0.1231 - acc: 0.9651
40960/48000 [========================>.....] - ETA: 0s - loss: 0.1226 - acc: 0.9651
42624/48000 [=========================>....] - ETA: 0s - loss: 0.1228 - acc: 0.9651
44288/48000 [==========================>...] - ETA: 0s - loss: 0.1223 - acc: 0.9652
45952/48000 [===========================>..] - ETA: 0s - loss: 0.1218 - acc: 0.9653
47744/48000 [============================>.] - ETA: 0s - loss: 0.1218 - acc: 0.9654
48000/48000 [==============================] - 2s 34us/step - loss: 0.1217 - acc: 0.9655 - val_loss: 0.1379 - val_acc: 0.9605

可以看出，网络性能在前面例子的基础上取得了显著的提升，下面再在测试集上评估网络性能得到结果如下：

2.5 添加Dropout层的双隐层MLP

　　Dropout是一种提升网络泛化能力的技巧，在我前面关于tensorflow的博客中也介绍过，它通过随机的将某一内部层的输出结果，抹除为0再传入下一层，达到提升网络泛化能力的效果，在keras中为MLP添加Dropout层非常方便：

代码语言：javascript复制

from keras.layers.core import Dense,Dropout,Activation

'''网络结构搭建部分'''
##定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义输入层与第一层隐层
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation('relu'))
#为第一层隐层的输出部分添加Dropout功能，即随机把指定比例的值修改为0
model.add(Dropout(0.3))
#定义第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation('relu'))
#为第二层隐层添加Dropout功能
model.add(Dropout(0.3))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层定义softmax激活函数
model.add(Activation('softmax'))
#打印模型结构信息
model.summary()

得到的新的网络结构如下：

同样在40轮训练后达到的性能效果如下：

代码语言：javascript复制

Epoch 40/40
  128/48000 [..............................] - ETA: 2s - loss: 0.2181 - acc: 0.9531
 1536/48000 [..............................] - ETA: 1s - loss: 0.2049 - acc: 0.9414
 2944/48000 [>.............................] - ETA: 1s - loss: 0.2062 - acc: 0.9385
 4352/48000 [=>............................] - ETA: 1s - loss: 0.2032 - acc: 0.9391
 5632/48000 [==>...........................] - ETA: 1s - loss: 0.2042 - acc: 0.9402
 6912/48000 [===>..........................] - ETA: 1s - loss: 0.2010 - acc: 0.9423
 8192/48000 [====>.........................] - ETA: 1s - loss: 0.1997 - acc: 0.9425
 9600/48000 [=====>........................] - ETA: 1s - loss: 0.2016 - acc: 0.9426
11008/48000 [=====>........................] - ETA: 1s - loss: 0.2000 - acc: 0.9426
12288/48000 [======>.......................] - ETA: 1s - loss: 0.1998 - acc: 0.9427
13568/48000 [=======>......................] - ETA: 1s - loss: 0.1992 - acc: 0.9432
14848/48000 [========>.....................] - ETA: 1s - loss: 0.1969 - acc: 0.9438
16256/48000 [=========>....................] - ETA: 1s - loss: 0.1977 - acc: 0.9431
17408/48000 [=========>....................] - ETA: 1s - loss: 0.1999 - acc: 0.9425
18688/48000 [==========>...................] - ETA: 1s - loss: 0.2024 - acc: 0.9417
20096/48000 [===========>..................] - ETA: 1s - loss: 0.2029 - acc: 0.9412
21504/48000 [============>.................] - ETA: 1s - loss: 0.2034 - acc: 0.9406
22784/48000 [=============>................] - ETA: 0s - loss: 0.2027 - acc: 0.9406
24192/48000 [==============>...............] - ETA: 0s - loss: 0.2019 - acc: 0.9409
25600/48000 [===============>..............] - ETA: 0s - loss: 0.2015 - acc: 0.9413
27008/48000 [===============>..............] - ETA: 0s - loss: 0.2010 - acc: 0.9414
28288/48000 [================>.............] - ETA: 0s - loss: 0.2010 - acc: 0.9413
29696/48000 [=================>............] - ETA: 0s - loss: 0.1997 - acc: 0.9415
31104/48000 [==================>...........] - ETA: 0s - loss: 0.1999 - acc: 0.9408
32512/48000 [===================>..........] - ETA: 0s - loss: 0.2010 - acc: 0.9402
33792/48000 [====================>.........] - ETA: 0s - loss: 0.2025 - acc: 0.9401
35200/48000 [=====================>........] - ETA: 0s - loss: 0.2023 - acc: 0.9398
36608/48000 [=====================>........] - ETA: 0s - loss: 0.2020 - acc: 0.9399
38016/48000 [======================>.......] - ETA: 0s - loss: 0.2030 - acc: 0.9396
39296/48000 [=======================>......] - ETA: 0s - loss: 0.2025 - acc: 0.9398
40448/48000 [========================>.....] - ETA: 0s - loss: 0.2014 - acc: 0.9402
41472/48000 [========================>.....] - ETA: 0s - loss: 0.2017 - acc: 0.9400
42496/48000 [=========================>....] - ETA: 0s - loss: 0.2010 - acc: 0.9404
43520/48000 [==========================>...] - ETA: 0s - loss: 0.2024 - acc: 0.9401
44928/48000 [===========================>..] - ETA: 0s - loss: 0.2026 - acc: 0.9402
46336/48000 [===========================>..] - ETA: 0s - loss: 0.2026 - acc: 0.9403
47744/48000 [============================>.] - ETA: 0s - loss: 0.2033 - acc: 0.9401
48000/48000 [==============================] - 2s 43us/step - loss: 0.2036 - acc: 0.9401 - val_loss: 0.1375 - val_acc: 0.9618

在测试集上的评估效果如下：

三、完整代码

3.1 第一个不带隐层的多层感知机模型

代码语言：javascript复制

'''这个脚本以MNIST手写数字识别为例演示无隐层的多层感知机模型在Keras中的应用'''


import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils



'''设置随机数种子'''
np.random.seed(42)


'''网络结构参数预定义部分'''

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2

'''数据预处理部分'''

#因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据
path = r'D:anacondaLibsite-packageskerasdatasetsmnist.npz'

with np.load(path) as f:
    X_train, y_train = f['x_train'], f['y_train']
    X_test, y_test = f['x_test'], f['y_test']


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

'''将训练集与测试集重塑成维度为784，数值类型为float32的形式'''
X_train = X_train.reshape(60000, RESHAPED).astype('float32')
X_test = X_test.reshape(10000, RESHAPED).astype('float32')

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵，即one-hot处理，传入单值，返回制定长度的向量表示形式
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



'''网络结构搭建部分'''
#定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义输入层到输出层之间的网络部分
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,)))
#为输出层添加softmax激活函数以实现多分类
model.add(Activation('softmax'))
#打印模型结构
model.summary()

#在keras中将上述简单语句定义的模型编译为tensorflow或theano中的模型形式
#这里定义了损失函数为多分类对数损失，优化器为之前定义的SGD随机梯度下降优化器，评分标准为accuracy准确率
model.compile(loss='categorical_crossentropy',optimizer=OPTIMIZER,metrics=['accuracy'])

#进行训练并将模型训练历程及模型参数细节保存在history中，这里类似sklearn的方式，定义了自变量和因变量，以及批训练的尺寸，迭代次数，是否打印训练过程，验证集比例
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)

#在测试集上对训练好的网络性能进行评估，返回第一项为损失函数，第二项为accuracy
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数和准确率
print('Test Score:',score[0])
print('Test accuracy:',score[1])

3.2 添加隐层的多层感知机

代码语言：javascript复制

'''这个脚本以MNIST手写数字识别为例演示带有隐层的基础多层感知机模型在Keras中的应用'''

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

np.random.seed(42)


'''网络结构参数预定义部分'''

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2
#设置隐层神经元个数
N_HIDDEN = 128

'''数据预处理部分'''

#因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据
path = r'D:anacondaLibsite-packageskerasdatasetsmnist.npz'

with np.load(path) as f:
    X_train, y_train = f['x_train'], f['y_train']
    X_test, y_test = f['x_test'], f['y_test']


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

X_train = X_train.reshape(60000, RESHAPED).astype('float32')
X_test = X_test.reshape(10000, RESHAPED).astype('float32')

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



'''网络结构搭建部分'''
#定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义网络中输入层与第一个隐层之间的部分
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation('relu'))
#添加第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation('relu'))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层添加softmax激活函数
model.add(Activation('softmax'))
#打印网络结构
model.summary()


#编译模型
model.compile(loss='categorical_crossentropy',optimizer=OPTIMIZER,metrics=['accuracy'])

#训练模型并保存训练过程细节信息
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)
#在测试集上评估模型
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数及accuracy
print('Test Score:',score[0])
print('Test accuracy:',score[1])

3.3 添加Dropout层的双隐层MLP

代码语言：javascript复制

'''这个脚本以MNIST手写数字识别为例演示带有隐层的基础多层感知机模型在Keras中的应用'''

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense,Dropout,Activation
from keras.optimizers import SGD
from keras.utils import np_utils

np.random.seed(42)


'''网络结构参数预定义部分'''

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2
#设置隐层神经元个数
N_HIDDEN = 128
#设置Dropout的比例
DROPOUT = 0.3

'''数据预处理部分'''

#因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据
path = r'D:anacondaLibsite-packageskerasdatasetsmnist.npz'

with np.load(path) as f:
    X_train, y_train = f['x_train'], f['y_train']
    X_test, y_test = f['x_test'], f['y_test']


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

X_train = X_train.reshape(60000, RESHAPED).astype('float32')
X_test = X_test.reshape(10000, RESHAPED).astype('float32')

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



'''网络结构搭建部分'''
##定义模型为keras中的序贯模型，即一层一层堆栈网络层，以线性的方式向后传播
model = Sequential()
#定义输入层与第一层隐层
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation('relu'))
#为第一层隐层的输出部分添加Dropout功能，即随机把指定比例的值修改为0
model.add(Dropout(0.3))
#定义第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation('relu'))
#为第二层隐层添加Dropout功能
model.add(Dropout(0.3))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层定义softmax激活函数
model.add(Activation('softmax'))
#打印模型结构信息
model.summary()


#编译模型
model.compile(loss='categorical_crossentropy',optimizer=OPTIMIZER,metrics=['accuracy'])

#训练模型并保存训练过程信息
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)
#在测试集上评估模型
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数与准确率
print('Test Score:',score[0])
print('Test accuracy:',score[1])

　　以上就是本文的全部内容，如有笔误，望指出。

参考文献：Keras深度学习实战

keras tensorflow 深度学习

0 人点赞