Keras MNIST 示例教程

Keras 提供了 MNIST 数据集的示例代码，这是一个包含 60,000 个训练样本和 10,000 个测试样本的手写数字数据集。下面将简要介绍如何使用 Keras 进行 MNIST 数据集的加载和模型训练。

加载数据集

首先，我们需要加载数据集。Keras 提供了 mnist.load_data() 函数来加载数据集。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

这里，x_train 和 y_train 分别是训练集的输入和标签，x_test 和 y_test 分别是测试集的输入和标签。

数据预处理

由于 MNIST 数据集是灰度图像，每个像素的值范围是 0 到 255。我们可以将像素值除以 255，将其归一化到 0 到 1 的范围。

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

构建模型

接下来，我们可以构建一个简单的卷积神经网络模型来识别手写数字。

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

这里，我们使用了两个卷积层和一个全连接层，并在每个卷积层后面添加了一个池化层和一个丢弃层。

训练模型

接下来，我们可以使用训练集来训练模型。

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=128, epochs=10, verbose=1, validation_data=(x_test, y_test))

这里，我们使用 Adam 优化器和交叉熵损失函数来训练模型。

评估模型

最后，我们可以使用测试集来评估模型的性能。

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

这里，我们打印了测试损失和测试准确率。

扩展阅读

如果您想了解更多关于 Keras 和神经网络的信息，请访问我们的 Keras 教程 页面。

<center><img src="https://cloud-image.ullrai.com/q/mnist_image/" alt="MNIST Image"/></center>