在本篇博文当中，笔者采用了卷积神经网络来对手写数字进行识别，采用的神经网络的结构是:输入图片——卷积层——池化层——卷积层——池化层——卷积层——池化层——Flatten层——全连接层（64个神经元）——全连接层（500个神经元）——softmax函数，最后得到分类的结果。Flatten层用于将池化之后的多个二维数组展开成一维数组，再灌入全连接层的神经元当中。
首先导包：
import keras from keras import layers from keras import models
建立神经网络的顺序模型：
model = models.Sequential()
添加神经网络的结构（三组卷积层，池化层。一个flatten层，以及两个全连接层）,激活函数我一般喜欢使用relu,当然你也可以使用sigmoid,tanh这两个激活函数，更改我的代码即可。由于是手写数字，最后的softmax一共只能够有十个数字，因此输出写10.激活函数使用softmax。其他都是relu。
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(500, activation='relu')) model.add(layers.Dense(10, activation='softmax'))
神经网络搭建完毕，开始导minist手写数字，对数字进行分类，分为训练集和验证集，同时将数字进行reshape，代码如下:
from keras.datasets import mnist from keras.utils import to_categorical (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)) test_images = test_images.astype('float32') / 255 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels)
紧接着选择需要进行梯度下降的优化器，常见的有adagrad,adam,rmsprop等等，这里选择了rmsprop。损失函数loss function这里选择了Cross Entropy，也就是交叉熵（因为最后是一个softmax函数进行分类，我们常常用交叉熵来衡量模型的准确度，这个计算起来比较方便，也比较有道理）。模型fit的过程当中我选择了mini—batch小批量梯度下降法，用这个方法比较适合电脑，如果使用所有数据进行梯度下降，那么电脑跑很久才能够完成，如果使用小批量梯度下降，电脑则可以自动进行并行计算，时间减少。迭代次数我选择了10次，每一个mini——batch的批量为128，这个无所谓，这个参数适中即可，不可太大也不能太小。代码如下：
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=10, batch_size=128)
输出：
Epoch 1/10 60000/60000 [==============================] - 42s 703us/step - loss: 0.0192 - acc: 0.9940 Epoch 2/10 60000/60000 [==============================] - 42s 706us/step - loss: 0.0166 - acc: 0.9945 Epoch 3/10 60000/60000 [==============================] - 43s 724us/step - loss: 0.0146 - acc: 0.99580s - loss: 0.0145 - acc: 0.9 Epoch 4/10 60000/60000 [==============================] - 43s 720us/step - loss: 0.0129 - acc: 0.9960 Epoch 5/10 60000/60000 [==============================] - 43s 718us/step - loss: 0.0130 - acc: 0.9962 Epoch 6/10 60000/60000 [==============================] - 44s 728us/step - loss: 0.0105 - acc: 0.9966 Epoch 7/10 60000/60000 [==============================] - 44s 737us/step - loss: 0.0095 - acc: 0.9969 Epoch 8/10 60000/60000 [==============================] - 44s 728us/step - loss: 0.0101 - acc: 0.9972 Epoch 9/10 60000/60000 [==============================] - 44s 735us/step - loss: 0.0085 - acc: 0.9974 Epoch 10/10 60000/60000 [==============================] - 45s 743us/step - loss: 0.0081 - acc: 0.99750s - loss: 0.0081 - acc: 0.997
可以看到模型经过十次迭代，训练集的准确度已经达到了%99.7以上，这样会不会出现过拟合的情况呢？用不用减少一下模型的迭代次数呢？笔者的心里怕怕的，于是用验证集来验证一下模型的准确度：
test_loss, test_acc = model.evaluate(test_images, test_labels) print(test_acc)
输出：
0.9868
模型的准确度达到了%98.68,接近百分之九十九的样子，比笔者仅用全连接神经网络训练的结果高了零点几的准确度，从中还是可以看出卷积神经网络的有效性，在没有进行调参的情况下准确度已经很高了！