前言：

今天我們將使用上篇文章中所建立的模型，來進行訓練，並且查看結果。

程式開始：

（1）定義訓練方式

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy']
             )

說明：

設定損失函數，最佳化方法，以及評估模型等。

（2）開始訓練

train_history=model.fit(x=x_train4_nor,y=y_train_one,validation_split=0.1,epochs=15,batch_size=300,verbose=2)

說明：

x=>影像特徵值

y=>影像實際值

validation_split=>設定訓練及驗證資料比例

epochs=>訓練周期

batch_size=>每一批次多少筆資料

verbose=>顯示訓練過程

（3）畫出圖形

def plot_images_labels(images,labels,prediction,idx,num=10):
    fig=plt.gcf()
    fig.set_size_inches(12,14)
    if num>25:
        num=15
    for i in range(0,num):
        ax=plt.subplot(5,5,1+i)
        ax.imshow(np.reshape(images[idx],(28,28)), cmap='binary')
        title="label=" +str(labels[idx])
        if len(prediction)>0:
            title+=",predict="+str(prediction[idx])
        ax.set_title(title,fontsize=10)
        ax.set_xticks([])
        ax.set_yticks([])
        idx=idx+1
    plt.show()

說明：

前面有使用過，不多講。

（4）進行預測

prediction=model.predict_classes(x_test_nor)

plot_images_labels(x_test,y_test,prediction,idx=300)

說明：

第1行：輸入影像，並儲存結果。

第3行：印出預測值，從第300筆開始，印10筆，也就是（300-309）。

（5）顯示混淆矩陣

import pandas as pd
pd.crosstab(y_test,prediction,rownames=['label'],colnames=['predict'])

說明：

引入pandas crosstab函式來建立混淆矩陣。

結尾：

經過了這幾天的文章，我們可以發現keras的程式碼會比純粹的TensofFlow還要簡單，而使用CNN進行預測的準確機率，又會把使用多層感知器來訓練還要來的高。