程序
导入库import numpy as npfrom keras.datasets import mnistfrom keras.utils import np_utilsfrom keras.models import Sequentialfrom keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten # 二维卷积、二维池化、扁平化（降维）from keras.optimizers import Adam
加载mnist数据集+预处理
# 载入数据(x_train,y_train),(x_test,y_test) = mnist.load_data()# (60000,28,28)->(60000,28,28,1)# 最后一个维度图片深度，1表示黑白，3表示彩色x_train = x_train.reshape(-1,28,28,1)/255.0x_test = x_test.reshape(-1,28,28,1)/255.0# 换one hot格式y_train = np_utils.to_categorical(y_train,num_classes=10)y_test = np_utils.to_categorical(y_test,num_classes=10)
创建模型+训练
在代码解释方面：参考博客：Keras Adam优化器以及CNN应用于手写识别
# 定义顺序模型model = Sequential()# 第一个卷积层# input_shape 输入平面# filters 卷积核/滤波器个数# kernel_size 卷积窗口大小# strides 步长# padding padding方式 same/valid# activation 激活函数model.add(Convolution2D( # 平面大小28x28，用same padding得到的和上一次一样，也是28x28，有32个特征图input_shape = (28,28,1), #只需要在第一次添加输入平面filters = 32,kernel_size = 5,strides = 1,padding = 'same',activation = 'relu'))# 第一个池化层model.add(MaxPooling2D( # 池化后变成14x14,32个特征图pool_size = 2,strides = 2,padding = 'same',))# 第二个卷积层model.add(Convolution2D(64,5,strides=1,padding='same',activation = 'relu')) # 卷积层后64个特征图，14x14# 第二个池化层model.add(MaxPooling2D(2,2,'same')) # 池化层后64个特征图，7x7# 把第二个池化层的输出扁平化为1维model.add(Flatten())# 第一个全连接层model.add(Dense(1024,activation = 'relu'))# Dropoutmodel.add(Dropout(0.5))# 第二个全连接层model.add(Dense(10,activation='softmax'))# 定义优化器adam = Adam(lr=1e-4)# 定义优化器，loss function，训练过程中计算准确率pile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])# 训练模型model.fit(x_train,y_train,batch_size=64,epochs=10)# 评估模型loss,accuracy = model.evaluate(x_test,y_test)print('test loss',loss)print('test accuracy',accuracy)
参考：
视频： 覃秉丰老师的“Keras入门”：http://www.ai-/course/32
博客参考：/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/
