“`
創建於星期二星期六14:42:13 2018 @author：yuyangyg“”“＃baseline MLP for mnist dataset import numpy from keras.datasets import mnist from keras.models import從keras.layers匯入序列從keras.layers進口密度從keras.utils進口退出進口np_utils＃修復隨機種子的重現性#seed = 7＃numpy.random.seed（seed）#load data（X_train，y_train），（X_test，y_test）= mnist.load_data（） ＃將28 * 28影象平鋪為每個影象的784向量num_pixels = X_train.shape [1] * X_train.shape [2] X_train = X_train.reshape（X_train.shape [0]，num_pixels）.type（“float32 “）X_test = X_test.reshape（X_test.shape [0]，num_pixels）.astype（”float32“）＃將輸入從0-255歸一化為0-1 X_train = X_train / 255 X_test = X_test / 255＃一個熱門編碼輸出將標籤變為向量y_train = np_utils.to_categorical（y_train）y_test = np_utils.to_categorical（y_test）num_classes = y_test.shape [1] #define baseline model def baseline_model（）： ＃crea te模型

model = Sequential（）
model.add（Dense（num_pixels，input_dim = num_pixels，kernel_initializer =“normal”，activation =“relu”））
model.add（Dense（num_classes，kernel_initializer =“normal”，activation =“softmax”） ）    ＃編譯模型    model.compile（loss =“categorical_crossentropy”，optimizer =“adam”，metrics = [“accuracy”]）    return model ＃建立模型模型= baseline_model（）＃擬合模型model.fit（X_train，y_train ，validation_data =（X_test，y_test），epochs = 10，batch_size = 200，verbose = 2）＃最終評估模型評分= model.evaluate（X_test，y_test，verbose = 0）print（“Baseline Error：％。2f %% “％（100  - 分數[1] * 100））```
 

• 1s - 損失：0.0250 - ACC：0.9937 - VAL _ ACC：0.9788大紀元7月10日 - 1秒 - 損失：0.0192 - ACC：0.9952 - VAL _ ACC： 0.9797大紀元8/10 - 1秒 - 損失：0.0145 - ACC：0.9967 - VAL 損失：0.0578 - VAL ACC：0.9818大紀元9月10日 - 1秒 - 損失：0.0117 - VAL 損失：0.0653 - VAL ACC：0.9798 大紀元10/10 - 1秒-損失：0.0078 - ACC：0.9984 - val_loss：0.0588 - val_acc：0.9827 基線誤差：1.73％“`

2.二維卷積層Conv2D keras.layers。 convolutional.Conv2D（過濾器，核心大小，步幅=（1,1），填充= ‘有效’，資料格式=無，擴張率=（1,1），活化=無，使用偏壓=真， kernel _ initializer =’glorot _ uniform’，偏見

_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

二維卷積層對二維輸入進行滑動窗卷積，當使用該層作為第一層時，應提供input_shape引數。

filters：卷積核的數目；

kernel_size：卷積核的尺寸；

strides：卷積核移動的步長，分為行方向和列方向；

padding：邊界模式，有“valid”，“same”或“full”，full需要以theano為後端；

其他引數請參看Keras官方文件。

1. 二維池化層MaxPooling2D
   keras.layers.pooling.MaxPooling2D(pool_size=(2,2), strides=None, padding=’valid’, data_format=None)

對空域訊號進行最大值池化。

pool_size：池化核尺寸；

strides：池化核移動步長；

padding：邊界模式，有“valid”，“same”或“full”，full需要以theano為後端；

其他引數請參看Keras官方文件。

1. Activation層
   keras.layers.core.Activation(activation)

啟用層對一個層的輸出施加啟用函式。

預定義啟用函式：

softmax，softplus，softsign，relu，tanh，sigmoid，hard_sigmoid，linear等。

1. Dropout層
   keras.layers.core.Dropout(p)

為輸入資料施加Dropout。Dropout將在訓練過程中每次更新引數時隨機斷開一定百分比（p）的輸入神經元連線，Dropout層用於防止過擬合。

1. Flatten層
   keras.layers.core.Flatten()

Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連線層的過渡。Flatten不影響batch的大小。

例子：

model =Sequential()

model.add(Convolution2D(64,3, 3, border_mode=’same’, input_shape=(3, 32, 32)))

now:model.output_shape == (None, 64, 32, 32)

model.add(Flatten())

now:model.output_shape == (None, 65536)

7.Dense層全連線層
keras.layers.core.Dense(units,activation=None, use_bias=True, kernel_initializer=’glorot_uniform’,bias_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None,activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

units：輸出單元的數量，即全連線層神經元的數量，作為第一層的Dense層必須指定input_shape。

1. Sequential模型compile方法
   compile(self,optimizer, loss, metrics=[], sample_weight_mode=None)

編譯用來配置模型的學習過程，其引數有：

optimizer：字串（預定義優化器名）或優化器物件；

loss：字串（預定義損失函式名）或目標函式；

metrics：列表，包含評估模型在訓練和測試時的網路效能的指標，典型用法是metrics=[‘accuracy’]；

1. Sequential模型fit方法
   fit(self,x, y, batch_size=32, epochs=10, verbose=1, callbacks=None,validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,sample_weight=None, initial_epoch=0)

verbose：日誌顯示，0為不在標準輸出流輸出日誌資訊，1為輸出進度條記錄，2為每個epoch輸出一行記錄；

validation_split：0~1之間的浮點數，用來指定訓練集的一定比例資料作為驗證集。驗證集將不參與訓練，並在每個epoch結束後測試的模型的指標，如損失函式、精確度等；

validation_data：形式為（X，y）的tuple，是指定的驗證集。此引數將覆蓋validation_spilt。

1. Sequential模型evaluate方法
   evaluate(self,x, y, batch_size=32, verbose=1, sample_weight=None)