一 从数据中学习表示
机器学习的要素
- 输入数据点
- 预期输出的示例
- 衡量算法效果好坏的方法
机器学习和深度学习的核心问题在于有意义的变换数据，换句话说在于学习输入数据的有用表示
学习指的是寻找更好数据表示的自动搜索过程
二 深度学习的工作原理
深度学习:学习数据表示的多级方法
1 深度学习的目标：寻找权重参数
2 深度学习的衡量标准 损失函数
3 深度学习的核心算法 反向传播算法
三 深度学习的hello word 手写数字识别
1 加载keras中的MNINST 数据集
from keras.datasets import mnist
#加载keras中的MNIST数据集
(train_images,train_lables),(test_images,test_lables) = mnist.load_data()
2 网络架构
from keras import models
from keras import layers
#网络架构
network = models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))
3 编译步骤
三个参数
- 损失函数（loss function）: 网络如何衡量在训练数据上的性能，即网络如何朝着正确的方向前进
- 优化器（optimizer）：基于训练数据和损失函数来更新网络机制
- 在训练和测试过程需要监控的指标（metric）：精度 正确分类图像占的比例
#编译
network.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
4 准备图像数据
对数据进行预处理，将其变换程网络要求的形状，并缩放到所有值都在0-1
#准备图像数据
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
5 准备标签
#准备标签
from keras.utils import to_categorical
train_lables = to_categorical(train_lables)
test_lables = to_categorical(test_lables)
6 训练和测试
训练是通过调用网络的fit方法来完成的 在训练数据上拟合(fit)模型
训练过程中显示两个数字:一个是网络在训练数据上的损失(loss),一个是网络在训练数据上的精度(acc)
# 训练过程
network.fit(train_images,train_lables,epochs=5,batch_size=128)
print("===================")
# 测试过程
test_loss,test_acc =network.evaluate(test_images,test_lables)
print("test_acc",test_acc)
