Keras手写识别例子（1）----softmax

转自：https://morvanzhou.github.io/tutorials/machine-learning/keras/2-2-classifier/#测试模型

下载数据：

# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called
# X shape (60,000 28x28), y shape (10,000, )
(X_train, y_train), (X_test, y_test) = mnist.load_data()

data预处理：

X_train = X_train.reshape(X_train.shape[0], -1) / 255. # normalize
X_test = X_test.reshape(X_test.shape[0], -1) / 255. # normalize
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)

导入包：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./", one_hot=True)
X_train=mnist.train.images
Y_train=mnist.train.labels
X_test=mnist.test.images
Y_test=mnist.test.labels

因为(X_train, y_train), (X_test, y_test) = mnist.load_data()需从网上下载数据，由于网络限制，下载失败。

可以先在官网yann.lecun.com/exdb/mnist/上下载四个数据（train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz、t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz）

在当前目录，不要解压！

#input_data.py该模块在tensorflow.examples.tutorials.mnist下，直接加载来读取上面四个压缩包。

#四个压缩包形式为特殊形式。非图片和标签，要解析。

from tensorflow.examples.tutorials.mnist import input_data

#加载数据路径为"./"，为当前路径，自动加载数据，用one-hot方式处理好数据。

#read_data_sets是input_data.py里面的一个函数，主要是将数据解压之后，放到对应的位置。第一个参数为路径，写"./"表示当前路径，其会判断该路径下有没有数据，没有的话会自动下载数据。

mnist = input_data.read_data_sets("./", one_hot=True)

Keras工作流程：

定义训练数据：输入张量和目标张量
定义层组成的网络（或模型），将输入映射到目标
配置学习过程：选择损失函数、优化器和需要监控的指标
调用模型的fit方法在训练数据上进行迭代

代码：

import numpy as np

np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.models import Sequential

from keras.layers import Dense, Activation

from keras.optimizers import RMSprop

#读取数据,其中，X_train为55000*784，Y_train为55000*10，X_test为10000*784，Y_test大小为10000*10.

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("./", one_hot=True)

X_train=mnist.train.images

Y_train=mnist.train.labels

X_test=mnist.test.images

Y_test=mnist.test.labels

#建立神经网络模型，一共两层，第一层输入784个变量，输出为32，激活函数为relu，第二层输入是上层的输出32，输出为10，激活函数为softmax。

model = Sequential([

    Dense(32, input_dim=784),

    Activation('relu'),

    Dense(10),

    Activation('softmax'),

])

#采用RMSprop来求解模型，设学习率lr为0.001，以及别的参数。

rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)

#激活模型，优化器为rmsprop，损失函数为交叉熵，metric，里面可以放入需要计算的，比如cost、accuracy、score等

model.compile(optimizer=rmsprop,

              loss='categorical_crossentropy',

              metrics=['accuracy'])

#训练网络，用fit函数，导入数据，训练次数为20，每批处理32个

model.fit(X_train, Y_train, nb_epoch=20, batch_size=32)

#测试模型

print('\nTesting ------------')

# Evaluate the model with the metrics we defined earlier

loss, accuracy = model.evaluate(X_test, Y_test)

print('test loss: ', loss)

print('test accuracy: ', accuracy)

结果：