【Python深度学习（第二版）（3）】初识神经网络之深度学习hello world

本节将首先给出一个神经网络示例，引出如下概念。了解完本节后，可以对神经网络在代码上的实现有一个整体的了解。

本节相关概念:

• 类
• 样本
• 标签
• 层（layer）
• 数据蒸馏
• 密集连接
• 10路softmax分类层
• 编译（compilation）步骤的3个参数
• 损失值、精度
• 过拟合

我们来看一个神经网络的具体实例：使用Python的Keras库来学习手写数字分类。

在这个例子中，我们要解决的问题是，将手写数字的灰度图像（28像素×28像素）划分到10个类别中（从0到9）。我们将使用MNIST数据集。你可以将“解决”MNIST问题看作深度学习的“Hello World”，用来验证你的算法正在按预期运行。下图给出了MNIST数据集的一些样本。

说明

在机器学习中，分类问题中的某个类别叫作类（class），数据点叫作样本（sample），与某个样本对应的类叫作标签（label）（即描述：样本属于哪个类别）。

 

你不需要现在就尝试在计算机上运行这个例子。之后的文章会具体分析。

 

一. 训练Keras中的MNIST数据集

from tensorflow.keras.datasets import mnist 

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images和train_labels组成了训练集，模型将从这些数据中进行学习。然后，我们在测试集（包括test_images和test_labels）上对模型进行测试。

图像被编码为NumPy数组，而标签是一个数字数组，取值范围是0～9。图像和标签一一对应。

 
看一下训练数据：

>>> train_images.shape 
 (60000, 28, 28) 
>>> len(train_labels) 
60000 
>>> train_labels 
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)

 

再来看一下测试数据：

>>> test_images.shape