keras教程【1】编写多层感知机mlp

1.导包

keras.datasets: 包含多种常用数据集，实现自动下载和解析等；
keras.models:包含各种模型结构，1）顺序模型Sequential;
keras.layers:包含常用的层结构，1）全连接层Dense;2)Dropout;3)Flatten;4)Conv2D;5)MaxPooling2D.
kears.optimizers:包含优化函数，1）adam;2)RMSprop.

2.数据输入

mlp接收输入数据格式：一维向量。
当数据格式不符合条件时，需要进行格式转换，直接使用reshape即可。

3.特征预处理。

1）是否归一化。
比如将图像数据需要经过x/255(即像素数据归一化到0-1)。这样处理的原因是：图像的归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者就是一个系列的。

归一化的作用：
归一化就是将有量纲的表达式，经过变换，变为无量纲的表达式。其优点有 a. 避免具有不同无物理意义和量纲的输入变量不能平等使用；b. 归一化在sigmoid函数作为激活函数时，可以防止输入绝对值过大引起的神经元输出饱和的现象；c.归一化在神经网络应用中，是为了加快训练网络的收敛性；

4.标签预处理.

1)分类标签
label转换为one-hot标签：可使用keras.utils.to_categorical.

y_train = keras.utils.to_categorical(y_train, 10).

2)回归标签。
在回归问题中，当特征数据进行归一化的时候，label为具体数值型，同样可以对label数据进行归一化处理。

5.构建模型结构。

假设我们现在构建一个顺序结构的模型，包括2个隐藏层（采用relu激活函数），1个输出层，且都是全连接层，构建完以后可以使用model.summary()来打印结构。

model = Sequential()
model.add(Dense(512, activation = ‘relu’, input_shape=(784,))).
model.add(Dropout(0.2)).
model.add(Dense(512, activation = ‘relu’)).
model.add(Dropout(0.2)).
model.add(Dense(10, activation = ‘softmax’)).

6.优化目标。

1）优化器：使用optimizer定义。
2）损失定义：分类问题中常用交叉熵categorical_crossentropy。回归问题中常用mse。
3) 指定在训练及测试中关注的指标：设定metrics，一般地，设置metrics=[‘accuracy’].

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

7.开始训练。

可以直接使用model.fit来进行训练。其中，有几个参数需要配置：
1)batch_size:表示每个epoch中训练的样本数量。
2)epochs:表示训练的轮数（epochs).
3)verbose:表示以何种方式显示输出信息，0表示不输出，1表示输出全部日志，2表示每个epoch输出一次日志。
4）validation_data: 可为空（即不设置），表示验证集。当该参数不为空时，每个epoch过后就会输出验证集的loss和accuracy.

model.fit(x_train, y_train, batch_size = 64, 
          epochs = 2,
          verbose = 1,
          validation_data = (x_test, y_test))

8.测试结果。

使用model.evaluate测试时，输出之前compile模型时指定的metrics类型，本例中是accuracy.

 score = model.evaluate(x_test, y_test, verbose=1)    
 print('Test loss:', score[0]).  
 print('Test accuracy',score[1]).