Keras 第一个神经网络

Keras 是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行。它的开发重点是支持快速实验，能够以最少的代码实现从想法到结果的快速转换。

Keras 的主要特点

  • 用户友好：Keras 具有简单一致的接口
  • 模块化：神经网络的各种组件（层、优化器、初始化方案等）都是可组合的模块
  • 易扩展性：可以轻松添加新模块来表达新的研究想法
  • 支持多后端：可以无缝切换 TensorFlow、Theano 和 CNTK 作为计算后端

安装 Keras

在开始之前，我们需要先安装 Keras 及其后端引擎（这里我们使用 TensorFlow）：

pip install tensorflow keras

注意：Keras 2.4.0 及以后版本已集成到 TensorFlow 中，可以直接通过 tensorflow.keras 使用

构建第一个神经网络

让我们从一个简单的全连接神经网络开始，解决经典的 MNIST 手写数字识别问题。

1. 导入必要的库

实例

import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

2. 准备数据

MNIST 数据集包含 60,000 张训练图像和 10,000 张测试图像，每张都是 28x28 像素的手写数字灰度图。

实例

# 加载数据
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 预处理数据
x_train = x_train.reshape(60000, 784).astype("float32") / 255
x_test = x_test.reshape(10000, 784).astype("float32") / 255

# 将标签转换为 one-hot 编码
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

3. 构建模型

我们将构建一个简单的全连接网络，包含一个输入层、一个隐藏层和一个输出层。

实例

model = keras.Sequential([
    layers.Dense(512, activation="relu", input_shape=(784,)),
    layers.Dense(10, activation="softmax")
])

模型结构解析

实例

graph TD
    A[输入层 784个神经元] --> B[隐藏层 512个神经元, ReLU激活]
    B --> C[输出层 10个神经元, Softmax激活]

4. 编译模型

在训练模型之前，我们需要配置学习过程：

实例

model.compile(
    optimizer="rmsprop",
    loss="categorical_crossentropy",
    metrics=["accuracy"]
)

编译参数说明

参数 说明 常用值
optimizer 优化器，用于更新权重 "rmsprop", "adam", "sgd"
loss 损失函数，衡量模型预测与真实值的差距 "categorical_crossentropy" (分类), "mse" (回归)
metrics 评估指标，用于监控训练 ["accuracy"]

5. 训练模型

现在我们可以开始训练模型了：

实例

history = model.fit(
    x_train, y_train,
    batch_size=128,
    epochs=10,
    validation_split=0.2
)

训练参数说明

参数 说明 建议值
batch_size 每次梯度更新使用的样本数 32-256
epochs 训练轮数 根据数据复杂度调整
validation_split 用作验证集的训练数据比例 0.1-0.3

6. 评估模型

训练完成后，我们可以在测试集上评估模型性能：

实例

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试准确率: {test_acc:.4f}")

完整代码示例

实例

import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

# 1. 加载数据
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 2. 预处理
x_train = x_train.reshape(60000, 784).astype("float32") / 255
x_test = x_test.reshape(10000, 784).astype("float32") / 255
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 3. 构建模型
model = keras.Sequential([
    layers.Dense(512, activation="relu", input_shape=(784,)),
    layers.Dense(10, activation="softmax")
])

# 4. 编译模型
model.compile(
    optimizer="rmsprop",
    loss="categorical_crossentropy",
    metrics=["accuracy"]
)

# 5. 训练模型
history = model.fit(
    x_train, y_train,
    batch_size=128,
    epochs=10,
    validation_split=0.2
)

# 6. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试准确率: {test_acc:.4f}")

模型改进建议

1、添加 Dropout 层：防止过拟合

实例

model.add(layers.Dropout(0.5))

2、使用更先进的优化器：如 Adam

实例

model.compile(optimizer="adam", ...)

3、增加隐藏层：构建更深网络

实例

model.add(layers.Dense(256, activation="relu"))

4、使用卷积层：对于图像数据更有效

实例

model.add(layers.Conv2D(32, (3, 3), activation="relu"))

常见问题解答

Q1: 为什么我的模型准确率很低？

  • 检查数据预处理是否正确
  • 尝试调整学习率
  • 增加网络容量（更多层或更多神经元）

Q2: 训练过程中 loss 不下降怎么办？

  • 检查数据是否有问题
  • 尝试不同的优化器
  • 调整学习率（通常减小学习率）

Q3: 如何保存和加载训练好的模型？

实例

# 保存模型
model.save("mnist_model.h5")

# 加载模型
loaded_model = keras.models.load_model("mnist_model.h5")