keras神经网络开发知识笔记

     mnist数据集获取60000个训练样本和10000个测试样本，样本为0-9十个数字，用全连接神经网络进行训练，并测试结果。

      例程采用60000个数据样本进行训练，对于一般的电脑来说，这样训练会比较费时间，学习测试较慢

     所以，可以加入以下几行代码：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

# mnist has 60000 datas,down to 6000 to accelerate x_train=x_train[:6000]   y_train=y_train[:6000]   将原始60000个样本只取前6000个样本进行训练   例程的核心代码为（部分数值有修改）：   model = Sequential() model.add(Dense(512, activation='relu', input_shape=(784,))) model.add(Dropout(0.2)) model.add(Dense(64, activation='relu')) model.add(Dropout(0.2))   model.add(Dense(num_classes, activation='softmax'))

　　依次理解笔记：

   

?

1	model.add(Dense(512, activation='relu', input_shape=(784,)))

　　

     为model添加Dense层，即全链接层，该层有784维输入，512为输出

   

?

1	model.add(Dropout(0.2))

　　

    添加Dropout层，训练时概率性丢弃

?

1	model.add(Dense(64, activation='relu'))

　　

    再次添加Dense层，64维输出（输入为前一层，512维）

?

1	model.add(Dense(num_classes, activation='softmax'))

　　

  再次添加Dense层，10维输出（num_classes=10，即0-9十个数字）

  所以我们大致能够知道，神经网络是输入784维，第一层512维，第二层64维，输出10维。

   在例程末尾，可以添加两句

?

1 2 3

model.summary()   print (model.get_weights())