style="margin-left:0px">TensorFlow——Keras

框架

style="margin-left:120px">步骤一：加载并预处理数据

style="margin-left:120px">步骤二：定义模型架构

style="margin-left:120px">步骤三：编译模型

style="margin-left:120px">步骤四：训练模型

style="margin-left:80px">术语备注

框架

Keras

框架之上。

该库的设计核心是帮助开发者理解深度学习相关技术，比如为神经网络搭建网络层，同时兼顾维度形态与数学细节的相关概念。

Keras

可搭建的模型框架主要分为以下两种类型：

• 序贯式

  API）

利用

Keras

构建深度学习模型的八大步骤

1. 加载数据
2. 对加载的数据进行预处理
3. 定义模型结构
4. 编译模型
5. 训练模型
6. 评估模型性能
7. 执行所需的预测任务
8. 保存模型

本文将使用

Jupyter

笔记本完成代码运行与结果输出，具体操作步骤如下：

步骤一：加载并预处理数据

这是运行深度学习模型的首要步骤，先导入相关库和模块，再完成数据的加载与预处理。

import
warnings
warnings.filterwarnings('ignore')
import
加载已打乱的MNIST手写数字数据集，划分为训练集和测试集
(X_train,
X_train.reshape(X_train.shape[0],
28,
X_test.reshape(X_test.shape[0],
28,
X_train.astype('float32')
X_test
X_test.astype('float32')
X_train
np_utils.to_categorical(y_train,
10)
np_utils.to_categorical(y_test,
10)

步骤二：定义模型架构

采用序贯式模型搭建卷积神经网络结构：

model
=
添加卷积层，32个3×3卷积核，激活函数为ReLU，指定输入维度为28×28×1
model.add(Conv2D(32,
添加最大池化层，2×2池化窗口，降维并保留关键特征
=
添加Dropout层，随机丢弃25%的神经元，防止过拟合
展平层，将多维特征映射为一维，连接卷积层与全连接层
model.add(Flatten())
全连接层，128个神经元，激活函数为ReLU
model.add(Dense(128,
再次添加Dropout层，随机丢弃50%的神经元，进一步防止过拟合
输出层，10个神经元，softmax激活函数，输出各分类的概率
model.add(Dense(10,
'softmax'))

步骤三：编译模型

配置模型的损失函数、优化器和评估指标，为训练做准备：

#
损失函数选用交叉熵损失，优化器为Adam，评估指标为准确率
model.compile(loss
'categorical_crossentropy',
optimizer
['accuracy'])

步骤四：训练模型

使用训练集数据对模型进行训练，设置训练参数：

#
批次大小32，训练轮数10，显示训练过程
model.fit(X_train,
1)

训练过程的迭代输出结果如下：

plaintext

第1轮/共10轮
60000/60000
[==============================]
65s
[==============================]
62s
[==============================]
58s
[==============================]
62s
[==============================]
62s
[==============================]
59s
[==============================]
61s
[==============================]
63s
[==============================]
64s
[==============================]
60s
准确率：0.9910

术语备注

1. Sequential

   Keras

   中最简单的模型构建方式，适用于层与层之间依次连接的线性模型

2. Functional

   API，更灵活的模型构建方式，可搭建多输入、多输出、带残差连接的复杂网络

3. one-hot

   encoding：独热编码，将离散型标签转换为二进制向量，避免标签间的数值大小干扰模型训练

4. Dropout：随机失活，深度学习中常用的正则化方法，通过随机丢弃部分神经元，解决模型过拟合问题
5. Adam：一种自适应学习率优化器，结合了动量法和

   RMSprop

   的优点，收敛速度快且稳定性好

6. softmax：归一化指数函数，将神经网络的输出转换为

   0-1

   1，适用于多分类任务