今天將以深度學習常見的手寫阿拉伯數字辨識的資料集訓練，keras提供了兩種類型的模型，第一個是Sequential model，適用於簡單的結構，一層一層的連接下去。第二個為Functional API，它可以設計成複雜的神經網路，包含多個輸入以及輸出。

程式碼

Sequential model

首先，先寫一個function用來畫accuracy以及loss的圖。

import matplotlib.pyplot as plt
def plot(model, attr, width, height):
    plt.figure(figsize=(width, height))
    plt.plot(model.history[attr], color = 'r', label = attr)
    plt.plot(model.history['val_'+attr], color = 'b', label = 'val_'+attr)
    plt.xlabel('Epochs')
    plt.ylabel(attr)
    plt.legend()
    plt.show()

這個模型為使用Seuquential model，從keras的套件裡匯入資料集。

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

接著，將資料正規化，原始資料介於0-255之間，將它的範圍縮小至0-1之間，加速模型運算時間。

x_train, x_test = x_train/255.0, x_test/255.0

接著訓練模型，第一層使用Flatten，ru; 28乘28的資料攤平變成一維，轉乘784個特徵值。
Dense層為全連接層 (Fully connected)，輸入為上一層的輸出，輸出為128個神經元。
Dropout的比例設為0.2，代表將20%的神經元之權重設為0，避免過度擬合的情況發生。
最後一層一樣為全連接層，神經元為10，因為手寫阿拉伯數字為0-9，總共有10個，而激活函數為softmax，在10個機率裡，最高的那個類別集為預測值。

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape = (28, 28)),
    tf.keras.layers.Dense(128, activation = 'relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation = 'softmax')
])

最後，設置模型的優化器以及loss function，以及評比的指標，並且輸入資料以及檢視準確率。

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

history = model.fit(x_train, y_train, epochs = 5, validation_split = 0.2)

model.evaluate(x_test, y_test)

最後一行輸出的第一個值為loss，第二個值為accuracy，這個模型的準確率高達97%。

f1 = plot(history, 'accuracy', 5, 3)
f2 = plot(history, 'loss', 5, 3)

這個模型只訓練了5次即能達到優異的預測效果，accuracy與loss最後測試集與驗證集的差距不大，沒有overfitting的問題。

Funtional API

Funtional API的程式碼前處理與sequential的一樣，不同的地方在於寫每一層的語法。

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train, x_test = x_train/255.0, x_test/255.0

Input = tf.keras.layers.Input(shape=(28,28))
layer1 = tf.keras.layers.Flatten()(Input)
layer2 = tf.keras.layers.Dense(128, activation = 'relu')(layer1)
layer3 = tf.keras.layers.Dropout(0.2)(layer2)
Output = tf.keras.layers.Dense(10, activation = 'softmax')(layer3)
model2 = tf.keras.Model(inputs = Input, outputs = Output)
model2.summary()
model2.compile(optimizer = 'adam',
             loss = 'sparse_categorical_crossentropy',
             metrics = ['accuracy'])

history2 = model2.fit(x_train, y_train, epochs = 5, validation_split = 0.2)

model2.evaluate(x_test, y_test)

使用Funtinal API的預測效果準確率也高達97%。

plot(history2, 'accuracy', 5, 3)
plot(history2, 'loss', 5, 3)

accuracy與loss跟上個模型一樣，在最後一個epoch的時候幾乎一樣。

程式碼已上傳我的Github
感謝您的瀏覽!