還記得第一次跑出自己的神經網絡的那種欣喜感，彷彿是看着自己的第一個孩子出生了一樣。爲了讓更多人儘快也體驗的這種欣喜感，特此總結此係列教程，代碼來自書<deep learning on keras>.
簡要介紹一下我們需要的：
- 安裝annaconda，它自帶的很多科學計算包能夠省掉很多我們自己安裝的麻煩
- 打開cmd，輸入pip install tensorflow，默認安裝的是cpu版tensorflow，對於我們這新手級別的，已經夠用了，要裝gpu版比較麻煩
- 在裝好tensorflow以後再pip install keras，這個keras是基於tensorflow或者caffe的，我習慣使用tensorflow，keras是在tensorflow上的進一步封裝，使用起來非常簡單，我們只需要把精力放在網絡結構的搭建上就夠了。
引入庫和數據集
此處我們引入MNIST數據集，這是一個手寫數字數據集，由60000個訓練集和10000個測試集構成。
import keras
from keras.datasets import mnist
(trainimages, trainlabels), (testimages, testlabels) = mnist.loaddata()
這句代碼表示調用數據集mnist，把訓練圖片和標籤分別存到trainimages和trainlabels裏面，測試圖片和標籤分別存在testimages和testlabels裏面。
接下來我們看一看具體是如何儲存這些數據的：
>>> train_images.shape
(60000, 28, 28)
>>> len(train_labels)
60000
>>> train_labels
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
我們看到計算機使用數組的形式來儲存這些數據，(60000,28,28)代表着有60000個圖片，每一個的大小是28*28。而labels則更加直接，每一個位置對應於圖片的位置爲數字的大小。
接下來，看一下測試集的情況，其實完全類似：
>>> test_images.shape
(10000, 28, 28)
>>> len(test_labels)
10000
>>> test_labels
array([7, 2, 1, ..., 4, 5, 6], dtype=uint8)
搭建訓練框架
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'))
我們從keras引入了models 和layers，前者用來搭建整個模型框架。
- models.Sequential()這一句代表我們之後加layers是按照順序從前往後加。
- 至於layers.Dense則是設置這一層的具體參數第一個爲輸出維度，第二項爲激活函數類型，第三維爲輸入的形狀，我們看到shape的第二項逗號之後沒有東西，這個是根據輸入數據來自動補的，例如我們輸入數據爲
個，那麼第二項則是
，也就是說總數一定要是
的整數倍，不然會報錯。
- 第二層layers輸出爲10，激活函數爲softmax，就是將10個輸出裏面最大取1，最小取0，最後就得到了我們需要的預測值，至於爲什麼這裏不需要輸入，這就是keras的好處了，它自動計算需要的輸入的大小，所以我們只需要關心最開始的輸入大小，不需要逐層計算每一層的大小，這對於深層網絡的搭建非常方便。
network.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
設置優化器，損失函數，還有需要顯示的指標，這三個都是可以改的，大家可以來查看更多有關這些參數的東西。
預處理數據和標籤
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
testimages = testimages.astype('float32') / 255
輸入的圖像是unit8類型的，我們轉化爲float32，因爲python裏面很多運算只支持float32類型，然後將形狀拉長爲28*28的，因爲我們構建的網絡是一個簡單的全連接網絡，也就是逐個像素點的預測，最後是歸一化的問題，由於像素值一開始都是0-255，我曾經就感到很奇怪爲什麼要全部歸一化到0-1，不就是等比例縮放嗎，爲什麼會影響到收斂性呢，感興趣的同學可以搜索神經網絡正則化相關的知識。
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
testlabels = tocategorical(testlabels)
對標籤下手，將原來的十個數字轉化成分類的編碼，這個具體爲什麼以後會再詳細介紹。
開始訓練！
>>> network.fit(train_images, train_labels, epochs=5, batch_size=128)
Epoch 1/5
60000/60000 [==============================] - 9s - loss: 0.2524 - acc: 0.927
Epoch 2/5
51328/60000 [========================>.....] - ETA: 1s - loss: 0.1035 - acc: 0.9692
keras還有一個好處就是它的可視化做的比較好，開始訓練以後，有一個動態的小箭頭告訴你訓練到什麼程度了，讓人感到很舒服。再解釋一下代碼，第一項，放入訓練數據，第二項放入對應的標籤，epochs代表要訓練多少批次，因爲這個優化是一個循環往復的過程，需要不斷的循環才能逐漸靠近最優，最後就是batch_size，這是minibatch，這也是正則化相關內容，如果每次都將全部的數據集放進來才訓練一次，那麼我們的訓練進度就會很慢，所以我們就會把數據分成很多小批次，一次喂一點進去，而爲什麼偏偏是128呢，這是因爲計算機是二進制的，給它2的次方的數，運算會更加快。
評估訓練效果
>>> test_loss, test_acc = network.evaluate(test_images, test_labels)
>>> print('test_acc:', test_acc
testacc: 0.9785
通過上述指令，在訓練完以後network輸入測試集和對應的標籤來進行測試。