前言：

我們今天就先從建立模型開始進行手寫數字辨識，不同於DAY19的，這邊是使用Keras來進行。

程式開始：

（1）準備

from keras.utils import np_utils
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
import matplotlib.pyplot as plt
np.random.seed(10)

(x_train_image,y_train_label),(x_test_image,y_test_label)=mnist.load_data()

x_train=x_train_image.reshape(60000,784).astype('float32')
x_test=x_test_image.reshape(10000,784).astype('float32')

x_train_nor=x_train/255
x_test_nor=x_test/255

y_train_one=np_utils.to_categorical(y_train_label)
y_test_one=np_utils.to_categorical(y_test_label)

說明：

第1~8行：宣告引入函式庫

第10行：讀入mnist資料集

第12~13行：將原本28*28的矩陣轉為784個數字。

第15~16行：將數字特徵值標準化。

第18~19行：使用one-hot進行轉換。

（2）建立輸入輸出以及隱藏層

model = Sequential()

model.add(Dense(units=256,
                input_dim=784,
                kernel_initializer='normal',
                activation='relu'
                ))
model.add(Dropout(0.5))
model.add(Dense(units=10,
                kernel_initializer='normal',
                activation='softmax'
                ))

說明：

第1行：建立一個線性堆疊的模型。

第3~7行：建立輸入以及隱藏層。

第8行：再隱藏層時放棄一些神經元，避免overfitting。

第9~12行：建立輸出層

結語：

當你使用keras之後，你去對照前幾篇的程式碼，你發現程式碼的長短變得短很多，也看起來更簡單了。