17 使用Keras构建简单模型

在上篇的内容中，我们了解了Keras是什么以及它的基本概念。当前篇将带你走进Keras的实际应用，具体是如何构建一个简单的模型。我们会通过一个经典的案例，即手写数字识别（MNIST数据集），来演示如何用Keras构建模型。

Keras基本组成部分

Keras是一个高层次的神经网络API，能够以简单和高效的方式构建和训练深度学习模型。构建模型主要有以下几个重要步骤：

1. 定义模型：选择模型类型（如顺序模型或函数式模型）。
2. 添加层：向模型中逐层添加神经网络层。
3. 编译模型：指定损失函数、优化器和评估指标。
4. 训练模型：通过训练数据拟合模型。
5. 评估与预测：使用测试数据评估模型性能，进行预测。

在这一过程中，我们主要使用Sequential模型，它是Keras提供的最简单形式，适合于逐层叠加的神经网络。

构建手写数字识别模型

步骤1：导入必要的库

首先，确保你已经安装了TensorFlow和Keras。接下来，导入我们需要的库：

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist

步骤2：加载和预处理数据

Keras提供了MNIST数据集的方便方法，我们可以直接加载，并进行预处理。首先加载数据：

# 加载数据
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据规范化处理
train_images = train_images.astype('float32') / 255.0
test_images = test_images.astype('float32') / 255.0

在这里，我们将图像数据的像素值从0-255缩放到0-1之间，以帮助模型更快收敛。

步骤3：构建模型

接下来，我们将构建一个基本的神经网络模型。我们将使用一个包含两个隐藏层的顺序模型：

model = models.Sequential()
model.add(layers.Flatten(input_shape=(28, 28)))  # 将28x28的图像展平为784的向量
model.add(layers.Dense(128, activation='relu'))    # 第一个全连接层，使用ReLU激活函数
model.add(layers.Dense(10, activation='softmax'))   # 输出层，10个类别，使用Softmax激活函数

步骤4：编译模型

编译模型时，我们需要选择损失函数、优化器和评估指标。对于分类问题，我们通常使用Categorical Crossentropy损失函数，并选择Adam优化器：

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

步骤5：训练模型

现在，我们可以使用训练数据来训练模型。使用fit方法，我们可以指定训练周期数（epochs）和每个周期的批量大小（batch size）：

model.fit(train_images, train_labels, epochs=5, batch_size=32)

在这里，我们设置训练5个周期，批量大小为32。

模型评估与预测

训练完成后，我们可以通过测试数据集评估模型性能：

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

评估完成后，如果我们想要对新的数据进行预测，可以使用predict方法：

predictions = model.predict(test_images)
predicted_class = tf.argmax(predictions, axis=1)

这里，predictions包含对每个测试图片的类别概率，我们可以使用argmax来找到概率最大的类别。

总结

通过上述简单的步骤，我们已经成功构建了一个使用Keras的手写数字识别模型。从数据加载到模型训练，我们看到了Keras构建深度学习模型的基本流程。这只是一个开始，在下一篇中，我们将深入学习如何训练模型的基本步骤，包括如何进行模型调优和超参数调整。

请继续关注后续内容，深入理解如何训练和优化你的模型。