文章代码来源：《deep learning on keras》，非常好的一本书，大家如果英语好，推荐直接阅读该书，如果时间不够，可以看看此系列文章，文章为我自己翻译的内容加上自己的一些思考，水平有限，多有不足，请多指正，翻译版权所有，若有转载，请先联系本人。
个人方向为数值计算，日后会向深度学习和计算问题的融合方面靠近，若有相近专业人士，欢迎联系。
系列文章：
一、搭建属于你的第一个神经网络
二、训练完的网络去哪里找
三、【keras实战】波士顿房价预测
四、keras的function API
五、keras callbacks使用
六、机器学习基础Ⅰ：机器学习的四个标签
七、机器学习基础Ⅱ：评估机器学习模型
八、机器学习基础Ⅲ：数据预处理、特征工程和特征学习
九、机器学习基础Ⅳ：过拟合和欠拟合
十、机器学习基础Ⅴ：机器学习的一般流程十一、计算机视觉中的深度学习：卷积神经网络介绍
十二、计算机视觉中的深度学习：从零开始训练卷积网络
十三、计算机视觉中的深度学习：使用预训练网络
十四、计算机视觉中的神经网络：可视化卷积网络所学到的东西
还记得第一次跑出自己的神经网络的那种欣喜感，仿佛是看着自己的第一个孩子出生了一样。为了让更多人尽快也体验的这种欣喜感，特此总结此系列教程，代码来自书<deep learning on keras>.
简要介绍一下我们需要的：
- 安装annaconda，它自带的很多科学计算包能够省掉很多我们自己安装的麻烦
- 打开cmd，输入pip install tensorflow，默认安装的是cpu版tensorflow，对于我们这新手级别的，已经够用了，要装gpu版比较麻烦
- 在装好tensorflow以后再pip install keras，这个keras是基于tensorflow或者caffe的，我习惯使用tensorflow，keras是在tensorflow上的进一步封装，使用起来非常简单，我们只需要把精力放在网络结构的搭建上就够了。
引入库和数据集
此处我们引入MNIST数据集，这是一个手写数字数据集，由60000个训练集和10000个测试集构成。
import keras
from keras.datasets import mnist
(trainimages, trainlabels), (testimages, testlabels) = mnist.loaddata()
这句代码表示调用数据集mnist，把训练图片和标签分别存到trainimages和trainlabels里面，测试图片和标签分别存在testimages和testlabels里面。
接下来我们看一看具体是如何储存这些数据的：
>>> train_images.shape
(60000, 28, 28)
>>> len(train_labels)
60000
>>> train_labels
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
我们看到计算机使用数组的形式来储存这些数据，(60000,28,28)代表着有60000个图片，每一个的大小是28*28。而labels则更加直接，每一个位置对应于图片的位置为数字的大小。
接下来，看一下测试集的情况，其实完全类似：
>>> test_images.shape
(10000, 28, 28)
>>> len(test_labels)
10000
>>> test_labels
array([7, 2, 1, ..., 4, 5, 6], dtype=uint8)
搭建训练框架
from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))
我们从keras引入了models 和layers，前者用来搭建整个模型框架。
- models.Sequential()这一句代表我们之后加layers是按照顺序从前往后加。
- 至于layers.Dense则是设置这一层的具体参数第一个为输出维度，第二项为激活函数类型，第三维为输入的形状，我们看到shape的第二项逗号之后没有东西，这个是根据输入数据来自动补的，例如我们输入数据为
个，那么第二项则是
，也就是说总数一定要是
的整数倍，不然会报错。
- 第二层layers输出为10，激活函数为softmax，就是将10个输出里面最大取1，最小取0，最后就得到了我们需要的预测值，至于为什么这里不需要输入，这就是keras的好处了，它自动计算需要的输入的大小，所以我们只需要关心最开始的输入大小，不需要逐层计算每一层的大小，这对于深层网络的搭建非常方便。
network.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
设置优化器，损失函数，还有需要显示的指标，这三个都是可以改的，大家可以来查看更多有关这些参数的东西。
预处理数据和标签
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
testimages = testimages.astype('float32') / 255
输入的图像是unit8类型的，我们转化为float32，因为python里面很多运算只支持float32类型，然后将形状拉长为28*28的，因为我们构建的网络是一个简单的全连接网络，也就是逐个像素点的预测，最后是归一化的问题，由于像素值一开始都是0-255，我曾经就感到很奇怪为什么要全部归一化到0-1，不就是等比例缩放吗，为什么会影响到收敛性呢，感兴趣的同学可以搜索神经网络正则化相关的知识。
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
testlabels = tocategorical(testlabels)
对标签下手，将原来的十个数字转化成分类的编码，这个具体为什么以后会再详细介绍。
开始训练！
>>> network.fit(train_images, train_labels, epochs=5, batch_size=128)
Epoch 1/5
60000/60000 [==============================] - 9s - loss: 0.2524 - acc: 0.927
Epoch 2/5
51328/60000 [========================>.....] - ETA: 1s - loss: 0.1035 - acc: 0.9692
keras还有一个好处就是它的可视化做的比较好，开始训练以后，有一个动态的小箭头告诉你训练到什么程度了，让人感到很舒服。再解释一下代码，第一项，放入训练数据，第二项放入对应的标签，epochs代表要训练多少批次，因为这个优化是一个循环往复的过程，需要不断的循环才能逐渐靠近最优，最后就是batch_size，这是minibatch，这也是正则化相关内容，如果每次都将全部的数据集放进来才训练一次，那么我们的训练进度就会很慢，所以我们就会把数据分成很多小批次，一次喂一点进去，而为什么偏偏是128呢，这是因为计算机是二进制的，给它2的次方的数，运算会更加快。
评估训练效果
>>> test_loss, test_acc = network.evaluate(test_images, test_labels)
>>> print('test_acc:', test_acc
testacc: 0.9785
通过上述指令，在训练完以后network输入测试集和对应的标签来进行测试。
