Tensorflow keras 极简神经网络构建与使用

微信公众号：OpenCV学堂

星标或者置顶【OpenCV学堂】

Tensorflow keras极简神经网络构建教程

Keras介绍

Keras (κέρας) 在希腊语中意为号角，它来自古希腊和拉丁文学中的一个文学形象。发布于2015年，是一套高级API框架，其默认的backend是tensorflow，但是可以支持CNTK、Theano、MXNet作为backend运行。其特点是语法简单，容易上手，提供了大量的实验数据接口与预训练网络接口，最初是谷歌的一位工程师开发的，非常适合快速开发。Tensorflow虽然是非常流行的深度学习框架，但是tensorflow开发需要了解计算图与自动微分相关技术，对于完全没有任何深度学习基础的人不是一个很好的选择，而keras完全是为零基础的人准备，它简化了tensorflow中计算图、会话等基本概念，通过Sequential与功能API两个组件实现网络搭建，通过简单的添加一些层就可以快速搭建神经网络模型。

Mnist数据集准备

我们以mnist数据集为例，构建一个神经网络实现手写数字的训练与测试，首先我们需要认识一下mnist数据集，mnist数据集有6万张手写图像，1万张测试图像。Keras通过datase来下载与使用mnist数据集，下载与读取的代码如下：

通过下面的代码可以显示手写数字图像：

对数据re-scale到0～1.0之间，对标签进行了one-hot编码，代码如下：

其中one-hot编码函数如下：

建立模型

构建神经网络

输入层为28x28=784个输入节点

隐藏层120个节点

输出层10个节点

首先需要定义模型：

然后按顺序添加模型各层

编译模型

模型还需要再进行几项设置才可以开始训练。这些设置会添加到模型的编译步骤：

损失函数

衡量模型在训练期间的准确率。我们希望尽可能缩小该函数，以“引导”模型朝着正确的方向优化。

优化器

根据模型看到的数据及其损失函数更新模型的方式。

指标

用于监控训练和测试步骤。以下示例使用准确率，即图像被正确分类的比例

训练模型

训练神经网络模型需要执行以下步骤：

将训练数据馈送到模型中，在本示例中为 train_images 和 train_labels 数组。

模型学习将图像与标签相关联。我们要求模型对测试集进行预测，在本示例中为 test_images 数组。我们会验证预测结果是否与 test_labels 数组中的标签一致。

要开始训练，请调用 model.fit 方法，使模型与训练数据“拟合”：

评估模型

模型在测试集数据上运行：

使用模型进行预测

卷积神经网络

mnist数据转换为四维

创建模型并构建CNN各层

编译与训练模型

欢迎扫码加入【OpenCV研习社】

- 学习OpenCV+tensorflow开发技术

- 与更多伙伴相互交流、一起学习进步

- 每周一到每周五分享知识点学习（音频+文字+源码）

- 系统化学习知识点，从易到难、由浅入深

- 直接向老师提问、每天答疑辅导