前期我们分享tensorflow以及pytorch时，分享过tensorflow以及pytorch的分类神经网络的搭建步骤，在哪里我们使用的训练集是mnist，同样Keras分类神经网络的搭建，我们同样使用mnist数据集来进行分类神经网络的搭建（有关mnist数据集，大家可以参考往期文章）

数据预处理

Keras 以及集成MNIST 数据包，再分成训练集和测试集。x 是一张图片，y 是每张图片对应的标签，即它对应的数字（0—9）。

输入的 x 变成 60,000*784 的数据，然后除以 255 进行标准化，因为每个像素都是在 0 到 255 之间的，标准化之后就变成了 0 到 1 之间。（为何是这样的数据，大家也可以参考往期文章特意介绍过MNIST数据集）

对于 y，要用到 Keras 改造的 numpy 的一个函数 np_utils.to_categorical，把 y 变成了 one-hot 的形式，即之前 y 是一个数值， 在 0-9 之间，现在是一个大小为 10 的向量，它属于哪个数字，就在哪个位置为 1，其他位置都是 0。

import numpy as np

np.random.seed(1337)

from keras.datasets import mnist

from keras.utils import np_utils

from keras.models import Sequential

from keras.layers import Dense, Activation #激励函数

from keras.optimizers import RMSprop # 优化器

#import matplotlib.pyplot as plt # 可视化模块

# 分类

# 若是首次运行，keras会自动下载MNIST数据集

(X_train, y_train), (X_test, y_test) = mnist.load_data()

X_train = X_train.reshape(X_train.shape[0], -1) / 255. #标准化数据

X_test = X_test.reshape(X_test.shape[0], -1) / 255. #标准化数据

y_train = np_utils.to_categorical(y_train, num_classes=10)

y_test = np_utils.to_categorical(y_test, num_classes=10)

# 打印一下数据的形状

print(X_train[1].shape)

print(y_train[:3]) # one-hot 的形式

"""

(784,)

[[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]

[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

[0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]

"""

搭建神经网络

models.Sequential，用来一层一层的去建立神经网络

Dense 神经层，32 是输出的维度，784 是输入的维度

使用relu激励函数， 经过激励函数之后，变成了非线性的数据。 然后再把这个数据传给下一个神经层 Dense 定义它有 10 个输出的 feature。此处不需要再定义输入的维度，因为它接收的是上一层的输出

然后使用 softmax 函数，用来分类

再使用RMSprop优化器对神经网络进行优化

最后使用model.compile来对神经网络进行激励

model = Sequential([

Dense(32, input_dim=784),

Activation('relu'),

Dense(10),

Activation('softmax'),

])

rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)

model.compile(optimizer=rmsprop, loss='categorical_crossentropy',metrics=['accuracy'])

训练神经网络

神经网络搭建完成后，就可以对神经网络进行训练，训练使用到的是 fit 函数，传入 x 与y,epochs 表示把整个数据训练多少次，batch_size 每批处理多少个数据，训练完成后，可以看到训练的结果

model.fit(X_train, y_train, epochs=2, batch_size=32)

测试神经网络

使用model.evaluate函数，把测试数据集放入函数中，便可以得到测试数据的loss以及accuracy

打印一下loss以及accuracy，查看训练结果

loss, accuracy = model.evaluate(X_test, y_test)

print('test loss: ', loss)
print('test accuracy: ', accuracy)

以上便是keras分类神经网络的搭建过程了，下期我们介绍一下如何使用keras CNN卷积神经网络来对图片进行分类，下期的数据集是小编收集的小雪人的照片，我们使用此小雪人的照片来让神经网络认识雪人或者非雪人