keras構建用於MNIST分類的多層感知機

和tensorflow一樣，用keras庫建立mlp神經網路。構建網路載入資料集，進行建模，然後訓練模型，進行模型測試以及對模型的評估。

從keras中匯入模組

import tensorflow as tf

import keras
import os
from keras.models import sequential
from keras.layers import dense,activation
from keras.optimizers import sgd
from tensorflow.examples.tutorials.mnist import input_data

# mnist_home=os.path.join(datasetslib.datasets_root,'mnist')

# mnist=input_data.read_data_sets(mnist_home,one_hot=true)
mnist = input_data.read_data_sets(
'mnist_data'
,one_hot=
true
)x_train=mnist.train.images
x_test=mnist.test.images
y_train=mnist.train.labels
y_test=mnist.test.labels
#print(x_train.shape,y_train.shape)
#print(x_test.shape,x_test.shape)

num_inputs=

784num_outputs=
10num_layers=
2num_neurons=
for i in
range
(num_layers)
:256
)learning_rate=
0.01
n_epochs=
50batch_size=
100

#建立乙個順序模型

model=sequential(
)#新增第乙個隱藏層，在第乙個隱藏層中必須新增張量的形狀
model.add(dense(units=num_neurons[0]
,activation=
'relu'
,               input_shape=
(num_inputs,))
)#新增第二個隱藏層
model.add(dense(units=num_neurons[1]
,activation=
'relu'))
#新增具有啟用函式softmax的輸出層
model.add(dense(units=num_outputs,activation=
'softmax'))
#輸出模型的詳細資訊
model.summary(
)

使用sgd優化器編譯模型和訓練模型

#使用sgd優化器編譯模型

model.
compile
(loss=
'categorical_crossentropy'
,             optimizer=sgd(lr=learning_rate)
,             metrics=
['accuracy'])
#訓練模型
model.fit(x_train,y_train,
batch_size=batch_size,
epochs=n_epochs)

10-40省略

評估模型並輸出損失函式值和分類精度

score=model.evaluate(x_test,y_test)

print
('\n test loss:'
,score[0]
)print
('test accuracy:'
,score[1]
)

Keras入門實戰（1） MNIST手寫數字分類

目錄 1 首先我們載入keras中的資料集 2 網路架構 3 選擇編譯 compile引數 4 準備影象資料 5 訓練模型 6 測試資料 前面的部落格中已經介紹了如何在ubuntu下安裝keras深度學習框架。現在我們使用 keras 庫來學習手寫數字分類。我們這裡要解決的問題是 將手寫數字的灰度影...

Keras 淺嚐之MNIST手寫數字識別

最近關注了一陣keras，感覺這個東西挺方便的，今天嘗試了一下發現確實還挺方便。不但提供了常用的layers normalization regularation activation等演算法，甚至還包括了幾個常用的資料庫例如cifar 10和mnist等等。下面的 算是keras的hellowor...

keras 實現mnist手寫數字集識別

coding utf 8 classifier mnist import numpy as np np.random.seed 1337 from keras.datasets import mnist from keras.utils import np utils from keras.mode...