搭建一个简单的Mnist全连接神经网络

人工智能

2023-12-07 12:12:02

Keras基础

Keras是一个高级神经网络API，可以快速构建和训练深度学习模型。Keras由Google开发，它易于使用，并具有强大的功能。

Keras中的层

Keras中的层是神经网络的基本构建块。Keras提供了多种类型的层，包括Dense层、卷积层、池化层、激活层等。

Keras中的激活函数

激活函数是神经网络中用于将神经元的输出转换为非线性的函数。Keras提供了多种类型的激活函数，包括ReLU、sigmoid、tanh等。

Mnist全连接神经网络实现

现在，我们来实现一个使用Keras构建的Mnist全连接神经网络。

from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.datasets import mnist

# 加载Mnist数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将图像数据转换为浮点数
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 将图像数据展平成一维数组
x_train = x_train.reshape(x_train.shape[0], -1)
x_test = x_test.reshape(x_test.shape[0], -1)

# 创建模型
model = Sequential()

# 添加输入层
model.add(Dense(128, activation='relu', input_shape=(784,)))

# 添加隐藏层
model.add(Dense(64, activation='relu'))

# 添加输出层
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10)

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)

# 打印模型的准确率
print('Test accuracy:', score[1])

# 保存模型
model.save('mnist_model.h5')