Deep Learning With Keras 简明教程

Creating Deep Learning Model

我们的神经网络模型将包含一个线性层堆栈。要定义这样的模型，我们调用 Sequential 函数 -

model = Sequential()

我们的网络中使用以下程序语句定义的输入层是第一层 −

model.add(Dense(512, input_shape=(784,)))

这将创建具有 512 个节点（神经元）和 784 个输入节点的层。这在下面的图中表示 −

请注意，所有输入节点都完全连接到第 1 层，即每个输入节点都连接到第 1 层的所有 512 个节点。

接下来，我们需要添加第 1 层的输出激活函数。我们将使用 ReLU 作为我们的激活。使用以下程序语句添加激活函数 −

model.add(Activation('relu'))

接下来，我们使用下面的语句添加 20% 的 Dropout。Dropout 是一种用于防止模型过拟合的技术。

model.add(Dropout(0.2))

此时，我们的输入层已完全定义。接下来，我们将添加一个隐藏层。

我们的隐藏层将包含 512 个节点。隐藏层的输入来自我们之前定义的输入层。所有节点都完全连接，如同之前的情况一样。隐藏层的输出将进入网络中的下一层，它将成为我们的最终输出层。我们将使用与前一层相同的 ReLU 激活，并且 Dropout 为 20%。在此处给出添加此层的代码 −

model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))

此时，网络可以可视化为以下内容 −

接下来，我们将向我们的网络添加最终层，即输出层。请注意，您可以使用与此处使用的类似代码添加任意数量的隐藏层。添加更多层会使网络难以训练；然而，在很多情况下（尽管不是全部）给出了更好的结果的明确优势。

输出层仅包含 10 个节点，因为我们希望将给定的图像分类为 10 个不同的数字。我们使用以下语句添加此层 −

model.add(Dense(10))

由于我们希望将输出分类为 10 个不同的单元，因此我们使用 softmax 激活。在 ReLU 的情况下，输出是二进制的。我们使用以下语句添加激活 −

model.add(Activation('softmax'))

此时，我们的网络可以如下图所示可视化 −

此时，我们的网络模型在软件中已完全定义。运行代码单元格，如果没有错误，您将在屏幕上收到一条确认消息，如下面的屏幕截图所示 −

接下来，我们需要编译模型。