现在我们来看一个神经网络的第一个具体例子，它使用Python库Keras来学习分类手写数字。除非你已经有Keras或类似的图书馆的经验，否则你不会马上理解关于这个第一个例子的一切。你可能还没有安装Keras。别担心，那很好。在下一章中，我们将回顾我们示例中的每个元素并详细解释它们。所以不要担心，如果某些步骤看起来是任意的，或者对你来说看起来像是魔法！我们必须从某个地方开始。
在这里，我们的网络由一系列密集连接（也称为“完全连接”）神经层的密集层组成。第二层（也是最后一层）是10路“softmax”层，这意味着它将返回10个概率分数的数组（总计为1）。每个分数将是当前数字图像属于我们的10位数类别之一的概率。
为了让我们的网络准备好接受培训，我们需要选择另外三件事，作为“编译”步骤的一部分：
损失函数：网络将如何衡量其在训练数据上的工作性能，以及如何能够在正确的方向上引导自己。
优化器：这是网络根据其看到的数据及其丢失功能自行更新的机制。
指标在培训和测试期间进行监控。在这里，我们只关心准确度（被正确分类的图像部分）。
这就是我们第一个例子的结束 - 您刚刚看到我们如何构建并训练一个神经网络来对少于20行的Python代码中的手写数字进行分类。 在下一章中，我们将详细介绍我们刚才预览的每一个动态片段，并阐明幕后真正发生的事情。 您将学习“张量”，进入网络的数据存储对象，张量操作，层构成以及梯度下降，这使得我们的网络可以从其训练示例中学习。
我们在这里试图解决的问题是将手写数字（28像素×28像素）的灰度图像分类为10个类别（0到9）。我们将使用的数据集是MNIST数据集，这是机器学习社区中的一个经典数据集，它几乎与该领域本身一样长，并且已经进行了非常深入的研究。这是一套60,000张训练图像，外加10,000张测试图像，由美国国家标准与技术研究院（NIST）于20世纪80年代组装而成。你可以将“解决”MNIST想象成深度学习的“Hello World” - 这就是你如何验证你的算法是否按预期工作。当你成为一名机器学习实践者时，你会看到MNIST一次又一次地在科学论文，博客文章等等中出现
from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data()train_images和train_labels构成了“训练集”，即模型将学习的数据。 然后模型将在“测试集”，test_images和test_labels上进行测试。 我们的图像被编码为Numpy数组，标签只是一个数字数组，范围从0到9.图像和标签之间存在一一对应的关系。
我们来看看训练数据：
train_images.shape
OUT:(60000, 28, 28) len(train_labels) Out[4]:60000 train_labels Out[5]:array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
我们来看看测试数据：
In[6]:test_images.shape Out[6]:(10000, 28, 28) In [7]：len(test_labels) Out[7]:10000 In [8]：test_labels Out[8]:array([7, 2, 1, ..., 4, 5, 6], dtype=uint8)我们的工作流程如下：首先，我们将向我们的神经网络提供训练数据，train_images和train_labels。 网络将学习将图像和标签关联起来。 最后，我们将要求网络为test_images生成预测，并且我们将验证这些预测是否与test_labels中的标签匹配。
让我们建立我们的网络 - 再一次记住，你不应该理解这个例子的一切。
from keras import models from keras import layers network = models.Sequential() network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) network.add(layers.Dense(10, activation='softmax'))神经网络的核心构建块是“层”，这是一个数据处理模块，您可以将其视为数据的“过滤器”。一些数据进入，并以更有用的形式出现。准确地说，图层从提供给它们的数据中提取表示 - 希望对于手头问题更有意义的表示。大多数深度学习实际上是将简单的层连接在一起，这些层将实现一种渐进的“数据蒸馏”形式。深度学习模式就像是一个数据处理筛选器，由一系列越来越精细的数据过滤器 - “层”组成。
在这里，我们的网络由一系列密集连接（也称为“完全连接”）神经层的密集层组成。第二层（也是最后一层）是10路“softmax”层，这意味着它将返回10个概率分数的数组（总计为1）。每个分数将是当前数字图像属于我们的10位数类别之一的概率。
为了让我们的网络准备好接受培训，我们需要选择另外三件事，作为“编译”步骤的一部分：
损失函数：网络将如何衡量其在训练数据上的工作性能，以及如何能够在正确的方向上引导自己。
优化器：这是网络根据其看到的数据及其丢失功能自行更新的机制。
指标在培训和测试期间进行监控。在这里，我们只关心准确度（被正确分类的图像部分）。
损失函数和优化器的确切目的将在接下来的两章中阐明。
network.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
在训练之前，我们将通过将数据重塑为网络预期的形状来预处理数据，并对其进行缩放，以使所有值都处于[0，1]区间。 以前，我们的训练图像例如存储在类型为uint8的形状数组（60000,28,28）中，值为[0,255]间隔。 我们将它转换为一个形状为float32的数组（数组在0到1之间）（60000,28 * 28）。
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255
我们还需要对标签进行分类编码，这是我们在第3章中解释的一个步骤：
from keras.utils import to_categorical train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels)
我们现在准备好培训我们的网络，Keras网络是通过调用网络的拟合方法完成的：我们将模型“拟合”到训练数据中。
network.fit(train_images, train_labels, epochs=5, batch_size=128)
Epoch 1/5 60000/60000 [==============================] - 2s - loss: 0.2577 - acc: 0.9245 Epoch 2/5 60000/60000 [==============================] - 1s - loss: 0.1042 - acc: 0.9690 Epoch 3/5 60000/60000 [==============================] - 1s - loss: 0.0687 - acc: 0.9793 Epoch 4/5 60000/60000 [==============================] - 1s - loss: 0.0508 - acc: 0.9848 Epoch 5/5 60000/60000 [==============================] - 1s - loss: 0.0382 - acc: 0.9890训练期间显示两个数量：网络在训练数据上的“损失”以及网络在训练数据上的准确性。
我们很快就达到了训练数据的0.989（即98.9％）的准确度。 现在让我们来检查一下我们的模型在测试集上的表现也很好：
print('test_acc:', test_acc)
9536/10000 [===========================>..] - ETA: 0s
test_loss, test_acc = network.evaluate(test_images, test_labels)
test_acc: 0.9777我们的测试集精度为97.8％ - 这比训练集精度要低很多。 训练准确性和测试准确性之间的这种差距是“过度拟合”的一个例子，机器学习模型往往对新数据的表现比对训练数据的差。 过度拟合将成为第3章的中心话题。
这就是我们第一个例子的结束 - 您刚刚看到我们如何构建并训练一个神经网络来对少于20行的Python代码中的手写数字进行分类。 在下一章中，我们将详细介绍我们刚才预览的每一个动态片段，并阐明幕后真正发生的事情。 您将学习“张量”，进入网络的数据存储对象，张量操作，层构成以及梯度下降，这使得我们的网络可以从其训练示例中学习。