TensorFlow——Keras 框架

摘要：本文介绍了使用Keras框架在TensorFlow上构建卷积神经网络(CNN)处理MNIST手写数字识别的完整流程。首先加载并预处理数据，包括维度调整、归一化和独热编码；然后构建包含两个卷积层、池化层、Dropout层和全连接层的序贯模型；接着使用交叉熵损失和Adam优化器编译模型；经过10轮训练后，模型在测试集上达到99.1%的准确率。整个过程展示了Keras简化深度学习模型开发的优势，包括直观的API设计、灵活的层配置和高效的训练流程。

目录

[TensorFlow------Keras 框架](#TensorFlow——Keras 框架)

[利用 Keras 构建深度学习模型的八大步骤](#利用 Keras 构建深度学习模型的八大步骤)

步骤一：加载并预处理数据

步骤二：定义模型架构

步骤三：编译模型

步骤四：训练模型

术语备注

---

TensorFlow------Keras 框架

Keras 是一款轻量易用的高级 Python 库，运行在 TensorFlow 框架之上。该库的设计核心是帮助开发者理解深度学习相关技术，比如为神经网络搭建网络层，同时兼顾维度形态与数学细节的相关概念。

Keras 可搭建的模型框架主要分为以下两种类型：

• 序贯式 API（Sequential API）
• 函数式 API（Functional API）

利用 Keras 构建深度学习模型的八大步骤

1. 加载数据
2. 对加载的数据进行预处理
3. 定义模型结构
4. 编译模型
5. 训练模型
6. 评估模型性能
7. 执行所需的预测任务
8. 保存模型

本文将使用 Jupyter 笔记本完成代码运行与结果输出，具体操作步骤如下：

步骤一：加载并预处理数据

这是运行深度学习模型的首要步骤，先导入相关库和模块，再完成数据的加载与预处理。

import warnings
warnings.filterwarnings('ignore')
import numpy as np
np.random.seed(123)  # 固定随机种子，保证实验可复现
from keras.models import Sequential
from keras.layers import Flatten, MaxPool2D, Conv2D, Dense, Reshape, Dropout
from keras.utils import np_utils
# 后端使用TensorFlow
from keras.datasets import mnist

# 加载已打乱的MNIST手写数字数据集，划分为训练集和测试集
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 重塑训练集数据维度，适配卷积层输入
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
# 重塑测试集数据维度，适配卷积层输入
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)

# 将数据类型转换为32位浮点型
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
# 数据归一化，将像素值缩放到0-1区间
X_train /= 255
X_test /= 255

# 将标签进行独热编码，适配多分类任务
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)

步骤二：定义模型架构

采用序贯式模型搭建卷积神经网络结构：

model = Sequential()
# 添加卷积层，32个3×3卷积核，激活函数为ReLU，指定输入维度为28×28×1
model.add(Conv2D(32, 3, 3, activation ='relu', input_shape = (28,28,1)))
# 再次添加卷积层，提取更深层特征
model.add(Conv2D(32, 3, 3, activation ='relu'))
# 添加最大池化层，2×2池化窗口，降维并保留关键特征
model.add(MaxPool2D(pool_size = (2,2)))
# 添加Dropout层，随机丢弃25%的神经元，防止过拟合
model.add(Dropout(0.25))
# 展平层，将多维特征映射为一维，连接卷积层与全连接层
model.add(Flatten())
# 全连接层，128个神经元，激活函数为ReLU
model.add(Dense(128,  activation = 'relu'))
# 再次添加Dropout层，随机丢弃50%的神经元，进一步防止过拟合
model.add(Dropout(0.5))
# 输出层，10个神经元，softmax激活函数，输出各分类的概率
model.add(Dense(10,  activation = 'softmax'))

步骤三：编译模型

配置模型的损失函数、优化器和评估指标，为训练做准备：

# 损失函数选用交叉熵损失，优化器为Adam，评估指标为准确率
model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])

步骤四：训练模型

使用训练集数据对模型进行训练，设置训练参数：

# 批次大小32，训练轮数10，显示训练过程
model.fit(X_train, Y_train, batch_size = 32, epochs = 10, verbose = 1)

训练过程的迭代输出结果如下：

plaintext

第1轮/共10轮 60000/60000 [==============================] - 65s - 损失值：0.2124 - 准确率：0.9345
第2轮/共10轮 60000/60000 [==============================] - 62s - 损失值：0.0893 - 准确率：0.9740
第3轮/共10轮 60000/60000 [==============================] - 58s - 损失值：0.0665 - 准确率：0.9802
第4轮/共10轮 60000/60000 [==============================] - 62s - 损失值：0.0571 - 准确率：0.9830
第5轮/共10轮 60000/60000 [==============================] - 62s - 损失值：0.0474 - 准确率：0.9855
第6轮/共10轮 60000/60000 [==============================] - 59s - 损失值：0.0416 - 准确率：0.9871
第7轮/共10轮 60000/60000 [==============================] - 61s - 损失值：0.0380 - 准确率：0.9877
第8轮/共10轮 60000/60000 [==============================] - 63s - 损失值：0.0333 - 准确率：0.9895
第9轮/共10轮 60000/60000 [==============================] - 64s - 损失值：0.0325 - 准确率：0.9898
第10轮/共10轮 60000/60000 [==============================] - 60s - 损失值：0.0284 - 准确率：0.9910

术语备注

1. Sequential API：序贯式 API，是 Keras 中最简单的模型构建方式，适用于层与层之间依次连接的线性模型
2. Functional API：函数式 API，更灵活的模型构建方式，可搭建多输入、多输出、带残差连接的复杂网络
3. one-hot encoding：独热编码，将离散型标签转换为二进制向量，避免标签间的数值大小干扰模型训练
4. Dropout：随机失活，深度学习中常用的正则化方法，通过随机丢弃部分神经元，解决模型过拟合问题
5. Adam：一种自适应学习率优化器，结合了动量法和 RMSprop 的优点，收敛速度快且稳定性好
6. softmax：归一化指数函数，将神经网络的输出转换为 0-1 之间的概率值，且所有类别概率之和为 1，适用于多分类任务