Deep Learning With Keras 简明教程

Deep Learning with Keras - Compiling the Model

编译使用一个称为 compile 的单方法调用执行。

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

compile 方法需要多个参数。loss 参数指定为类型 'categorical_crossentropy' 。metrics 参数设置为 'accuracy' ,最后我们使用 adam 优化器训练网络。此阶段的输出如下所示:

compile method

现在,我们可以将数据馈送到我们的网络中。

Loading Data

如前所述,我们将使用 Keras 提供的 mnist 数据集。当我们将数据加载到我们的系统中时,我们将把它分成训练数据和测试数据。通过按如下方式调用 load_data 方法来加载数据 −

(X_train, y_train), (X_test, y_test) = mnist.load_data()

此阶段的输出如下所示:

loading data

现在,我们将学习加载数据集的结构。

提供给我们的数据是尺寸为 28 x 28 像素的图形图像,每个图像都包含一个介于 0 和 9 之间的单独数字。我们将在控制台上显示前十张图片。执行此操作的代码如下:

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

在 10 个计数的迭代循环中,我们在每次迭代上创建一个子图,并在其中显示 X_train 矢量中的图像。我们给每张图像使用 y_train 矢量中的相应标题命名。请注意, y_train 矢量包含 X_train 矢量中相应图像的实际值。通过使用两个方法 xticksyticks 在没有参数的情况下调用,来移除 x 和 y 轴标记。运行代码时,您将看到以下输出:

examining data points

接下来,我们准备数据将其馈送到我们的网络中。