我的Keras学习笔记（更新中~）

基于《Keras快速上手》这本书整理一下我的学习笔记（PS：是本好书）

一、图像识别

端到端的MNIST训练数字识别神经网络搭建过程：

（1） 肯定是要各种引入了

（2） 读入数据，整理数据

              将训练数据和验证数据（X_train,X_test）进行整理：

                     ① 将原本n*m的数据整理成标准的四维张量形式（样本数量,长,宽,1）

                     ②把像素值变为浮点型

              将训练标签和验证标签（y_train,y_test）进行整理：

                     ①定义一个one hot函数（生成一个zeros(n);  将等于y值的位置设置为1,eg:y_ohe[y]=1）

                     ②利用刚刚定义好的函数将所有的标签转换为one hot（利用for循环）

（3） 开始搭建网络啦~

model=Sequential() model.add=……   OR model=Sequential()

①  先添加卷积层、

     model.add(Conv2D(设置过滤器的数量(也是输出维度)；过滤器的大小；一次跳几个小格；是否在周围加上0；输入数据的长宽；激活函数))

②再添加池化层

     model.add(Maxpooling2D(在多大范围内取最大值你得告诉我呀))

③然后添加放弃层（防止过度拟合，扔掉一部分数据）

    model.add(Dropout(常用的为0.2、0.3))

④可以循环搭建啦，但是要更改过滤器的数量，逐渐增加

（4）构造全连接层，拍扁所有输出单元

     model.add(Dense(这一层的输出维度；用什么激活函数))

     ……

     model.add(Dense(最后一层的输出维度与分类数相同；用什么激活函数))

（5）构造损失函数

    model.compile(你说用啥损失函数loss就用啥；你说用哪个优化器optimizer就用哪个；训练的性能指标，包含准确率……)

（6）把数据组好队，开始训练啦~

    model.fit(训练数据；one hot训练标签；验证数据；验证标签；训练几个回合；几个数据一个小组)

（7）看看我的模型表现如何