Keras是一個簡單易用但功能強大的 Python 深度學習庫。在這篇文章中，我們將用 Keras 構建一個簡單的卷積神經網絡（CNN），並訓練它來解實際問題。
這篇文章適用於完全初學 Keras 的人，但假設有 CNNs 的基本背景知識。我對卷積神經網絡的介紹涵蓋了你在這篇文章中需要知道的一切（以及更多內容），如果需要，請先閱讀。
我們現在就開始!
問題：MNIST數字分類
我們將處理一個經典的計算機視覺入門問題：MNIST 手寫數字分類。很簡單：給定一個圖像，將其分類為一個數字。
MNIST 數據集中的樣本圖像
MNIST 數據集中的每個圖像都是 28x28，包含一個居中的灰度數字。我們的 CNN 將獲取一個圖像並輸出 10 個可能的類中的一個（每個數字一個）。
1. 安裝
我假設你已經有了一個基本的 Python 安裝（可能是這樣）。讓我們先下載一些我們需要的包：
現在你應該能夠導入這些包並瀏覽 MNIST 數據集：
2. 準備數據
在開始之前，我們將把圖像像素值從 [0，255] 規範化為 [-0.5，0.5] 以使網絡更容易訓練（使用較小的中心值通常會得到更好的結果）。我們還將把每個圖像從（28，28）改為（28，28，1），因為 Keras 需要第三維度。
我們準備好開始構建我們的 CNN 了！
3. 構建模型
每個 Keras 模型要麼使用表示層的線性堆棧的 Sequential 類構建，要麼使用更可定製的功能 Model 類。我們將使用更簡單的Sequential 模型，因為我們的 CNN 將是一個層的線性堆棧。
我們首先實例化一個 Sequential 模型：
Sequential 構造函數接受一個 Keras Layers 數組。我們將為 CNN 使用三種類型的層：卷積層、最大池層和 Softmax 層。
這是我們在我的 CNN 簡介中使用的 CNN 設置。如果你對這三種層的任何一種都不滿意的話，請閱讀這篇文章。
- num_filters, filter_size 和 pool_size 是設置 CNN 超參數的自解釋變量。
- 任何 Sequential 模型中的第一層都必須指定輸入 input_shape，因此我們在 Conv2D上執行此操作。一旦指定了此輸入形狀，Keras 將自動推斷後續層的輸入形狀。
- Softmax 輸出層有 10 個節點，每個類一個。
4. 編譯模型
在開始培訓之前，我們需要配置訓練過程。我們在編譯過程中確定了3個關鍵因素：
- 優化器。我們將堅持用一個非常好的默認設置：Adam 基於梯度的優化器。Keras 還有許多其他優化器，你也可以查看。
- 損失函數。因為我們使用的是 SoftMax 輸出層，所以我們將使用交叉熵損失。Keras 區分 binary_crossentropy （2類）和 categorical_crossentropy（>2 類），因此我們將使用後者。查看所有的 Keras 損失函數.
- 度量列表。因為這是一個分類問題，所以我們只會有關於準確度度量的 Keras 報告。
下面是編譯的樣子：
走起!
5. 訓練模型
在 Keras 中訓練模型實際上只包括調用 fit() 和指定一些參數。有很多可能的參數，但我們只提供這些：
- 訓練數據（圖像和標籤），通常分別稱為 X 和 Y。
- 訓練的 epoch 數（整個數據集的迭代次數）。
- 驗證數據（或測試數據），在訓練期間用於根據以前從未見過的數據定期測量網絡性能。
有一件事我們必須小心：Keras 期望訓練目標是 10 維向量，因為我們的 Softmax 輸出層中有 10 個節點。現在，我們的 train_labels 和 test_labels 數組包含表示每個圖像的類的單個整數：
很方便，Keras 有一個實用的方法來解決這個確切的問題：to_categorical。它將整數類數組轉換為一個獨熱向量數組。例如，2 將變為[0, 0, 1, 0, 0, 0, 0, 0, 0, 0]（它是從零索引）。
這就是它的樣子：
我們現在可以把所有的東西放在一起訓練我們的網絡：
在完整 MNIST 數據集上運行該代碼可以得到如下結果：
我們用這個簡單的 CNN 達到了 97.4% 的測試精度！
6. 使用模型
既然我們有了一個有效的、經過訓練的模型，讓我們來使用它。我們要做的第一件事是將它保存到磁盤上，這樣我們就可以隨時加載它：
通過重建模型並加載保存的權重，我們現在可以在任何需要的時候重新加載經過訓練的模型：
使用經過訓練的模型進行預測很容易：我們將輸入數組傳遞給 predict()，它返回一個輸出數組。請記住，我們網絡的輸出是 10 個概率（因為 softmax），所以我們將使用 np.argmax() 將這些轉換為實際數字。
8. 擴展
我們還可以做更多的實驗並改進我們的網絡 - 在這個官方的 Keras MNIST CNN 例子中，他們在 12 個 epochs 後達到了99.25% 的測試精度。你可以對我們的 CNN 進行修改的一些例子包括：
網絡深度
如果我們添加或刪除 Convolutional 層會發生什麼？這將如何影響訓練和/或模型的最終性能？
Dropout
如果我們嘗試添加通常用來防止過擬合的 Dropout 層會發生什麼？
全連接層
如果我們在 Convolutional 輸出和最終的 Softmax 層之間添加全連接層會發生什麼？這是 CNNs 中用於計算機視覺的常見操作。
卷積參數
如果我們使用 Conv2D 參數會發生什麼？例如：
結語
你已經用 Keras 實現了你的第一個 CNN！我們通過首個簡單網絡獲得了 97.4% 的測試精度。我在下面再加一次完整的源代碼供你參考。
你可能感興趣的擴展閱讀包括：
- 官方的 Keras 入門指南。
- 我關於導出訓練 CNNs 的反向傳播算法的文章。
- Keras 示例集錦.
- 更多關於神經網絡的文章.
謝謝你的閱讀！完整的源代碼如下。
完整代碼
閱讀更多 Python部落 的文章
