一、概述及完整代碼
本例的代碼主要來自keras自帶的example裏的 mnist_cnn 模塊，主要用到keras.layers中的Dense, Dropout, Activation, Flatten模塊和keras.layers中的Convolution2D,MaxPooling2D。構建一個兩層卷積層兩層全連接層的簡單卷積神經網絡，12次循環後可以達到99.25%的準確率，可見CNN的預測準確率已經相當高了。
import numpy as np
np.random.seed(1337) # for reproducibility
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils
from keras import backend as K
# 全局變量
batch_size = 128
nb_classes = 10
epochs = 12
# input image dimensions
img_rows, img_cols = 28, 28
# number of convolutional filters to use
nb_filters = 32
# size of pooling area for max pooling
pool_size = (2, 2)
# convolution kernel size
kernel_size = (3, 3)
# the data, shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 根據不同的backend定下不同的格式
if K.image_dim_ordering() == 'th':
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1)
X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
print('X_train shape:', X_train.shape)
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')
# 轉換爲one_hot類型
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
#構建模型
model = Sequential()
"""
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],
border_mode='same',
input_shape=input_shape))
"""
model.add(Convolution2D(nb_filters, (kernel_size[0], kernel_size[1]),
padding='same',
input_shape=input_shape)) # 卷積層1
model.add(Activation('relu')) #激活層
model.add(Convolution2D(nb_filters, (kernel_size[0], kernel_size[1]))) #卷積層2
model.add(Activation('relu')) #激活層
model.add(MaxPooling2D(pool_size=pool_size)) #池化層
model.add(Dropout(0.25)) #神經元隨機失活
model.add(Flatten()) #拉成一維數據
model.add(Dense(128)) #全連接層1
model.add(Activation('relu')) #激活層
model.add(Dropout(0.5)) #隨機失活
model.add(Dense(nb_classes)) #全連接層2
model.add(Activation('softmax')) #Softmax評分
#編譯模型
model.compile(loss='categorical_crossentropy',
optimizer='adadelta',
metrics=['accuracy'])
#訓練模型
model.fit(X_train, Y_train, batch_size=batch_size, epochs=epochs,
verbose=1, validation_data=(X_test, Y_test))
#評估模型
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
二、知識點詳解
1. 關於Keras可能會使用不同的backend
該選擇結構可以靈活對theano和tensorflow兩種backend生成對應格式的訓練數據格式。
舉例說明：’th’模式，即Theano模式會把100張RGB三通道的16×32（高爲16寬爲32）彩色圖表示爲下面這種形式（100,3,16,32），Caffe採取的也是這種方式。第0個維度是樣本維，代表樣本的數目，第1個維度是通道維，代表顏色通道數。後面兩個就是高和寬了。
而TensorFlow，即’tf’模式的表達形式是（100,16,32,3），即把通道維放在了最後。
這兩個表達方法本質上沒有什麼區別。
# 根據不同的backend定下不同的格式
if K.image_dim_ordering() == 'th':
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
X_train = X_train.reshape(X_train.shape[0], img_rows, img_cols, 1)
X_test = X_test.reshape(X_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)2. 二維卷積層Conv2D
keras.layers.convolutional.Conv2D(
filters, kernel_size, strides=(1,1), padding=’valid’, data_format=None, dilation_rate=(1,1), activation=None, use_bias=True, kernel_initializer=’glorot_uniform’, bias_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
二維卷積層對二維輸入進行滑動窗卷積，當使用該層作爲第一層時，應提供 input_shape 參數。
filters：卷積核的數目；
kernel_size：卷積核的尺寸；
strides：卷積核移動的步長，分爲行方向和列方向；
padding：邊界模式，有“valid”，“same”或“full”，full需要以theano爲後端；
其他參數請參看Keras官方文檔。
3. 二維池化層MaxPooling2D
keras.layers.pooling.MaxPooling2D(pool_size=(2,2), strides=None, padding=’valid’, data_format=None)
對空域信號進行最大值池化。
pool_size：池化核尺寸；
strides：池化核移動步長；
padding：邊界模式，有“valid”，“same”或“full”，full需要以theano爲後端；
其他參數請參看Keras官方文檔。
4. Activation層
keras.layers.core.Activation(activation)
激活層對一個層的輸出施加激活函數。
預定義激活函數：
softmax，softplus，softsign，relu，tanh，sigmoid，hard_sigmoid，linear等。
5. Dropout層
keras.layers.core.Dropout(p)
爲輸入數據施加Dropout。Dropout將在訓練過程中每次更新參數時隨機斷開一定百分比（p）的輸入神經元連接，Dropout層用於防止過擬合。
- Flatten層
keras.layers.core.Flatten()
Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連接層的過渡。Flatten不影響batch的大小。
例子：
model =Sequential()
model.add(Convolution2D(64,3, 3, border_mode='same', input_shape=(3, 32, 32)))
# now:model.output_shape == (None, 64, 32, 32)
model.add(Flatten())
# now:model.output_shape == (None, 65536)7.Dense層全連接層
keras.layers.core.Dense(units,activation=None, use_bias=True, kernel_initializer=’glorot_uniform’,bias_initializer=’zeros’, kernel_regularizer=None, bias_regularizer=None,activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
units：輸出單元的數量，即全連接層神經元的數量，作爲第一層的Dense層必須指定input_shape。
8. Sequential模型compile方法
compile(self,optimizer, loss, metrics=[], sample_weight_mode=None)
編譯用來配置模型的學習過程，其參數有：
optimizer：字符串（預定義優化器名）或優化器對象；
loss：字符串（預定義損失函數名）或目標函數；
metrics：列表，包含評估模型在訓練和測試時的網絡性能的指標，典型用法是metrics=[‘accuracy’]；
9. Sequential模型fit方法
fit(self,x, y, batch_size=32, epochs=10, verbose=1, callbacks=None,validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,sample_weight=None, initial_epoch=0)
verbose：日誌顯示，0爲不在標準輸出流輸出日誌信息，1爲輸出進度條記錄，2爲每個epoch輸出一行記錄；
validation_split：0~1之間的浮點數，用來指定訓練集的一定比例數據作爲驗證集。驗證集將不參與訓練，並在每個epoch結束後測試的模型的指標，如損失函數、精確度等；
validation_data：形式爲（X，y）的tuple，是指定的驗證集。此參數將覆蓋validation_spilt。
10. Sequential模型evaluate方法
evaluate(self,x, y, batch_size=32, verbose=1, sample_weight=None)
相關參數可參考其他方法的同名參數說明。
關於keras的官方文檔，在 http://keras-cn.readthedocs.io/en/latest/
個人覺得英文版的相當不錯： https://keras.io/
