MNIST数据集是手写数字识别通用的数据集，其中的数据是以二进制的形式保存的，每个数字是由28*28的矩阵表示的。
我们使用卷积神经网络对这些手写数字进行识别，步骤大致为：
导入库和模块
我们导入Sequential模型（相当于放积木的桌子）
from keras.models import Sequential
接下来，导入各种层（相当于形状各异的积木）
from keras.layers import Conv2D, MaxPool2Dfrom keras.layers import Dense, Flatten
加载数据集
Mnist数据集可以使用keras直接加载。
from keras.datasets import mnist(X_train, y_train), (X_test, y_test) = mnist.load_data()
查看数据集大小
print(X_train.shape)#(60000, 28, 28)
可以看出有60000个样本，每个样本是28*28像素的。
数据预处理
使用Keras是必须显式声明输入图像深度的尺寸。例如，具有所有3个RGB通道的全色图像的深度为3。
我们的MNIST图像的深度为1，但我们必须明确声明。
也就是说，我们希望将数据集从形状(n,rows,cols)转换为(n,rows,cols,channels)。
img_x, img_y = X_train.shape[1], X_train.shape[2]X_train = X_train.reshape(X_train.shape[0], img_x, img_y, 1)X_test = X_test.reshape(X_test.shape[0], img_x, img_y, 1)
除此之外，我们将数据标准化一下：
X_train = X_train.astype('float32')X_test = X_test.astype('float32')X_train /= 255X_test /= 255y_train = keras.utils.to_categorical(y_train, num_classes=10)y_test = keras.utils.to_categorical(y_test, num_classes=10)
构建网络
model = Sequential()model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))model.add(Flatten())model.add(Dense(1000, activation='relu'))model.add(Dense(10, activation='softmax'))
6. 编译
现在，只需要编译模型，就可以开始训练了。当编译模型时，我们声明了损失函数和优化器（SGD，Adam等）。
pile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
训练
接下来，我们传入训练集进行训练
model.fit(X_train, y_train, batch_size=128, epochs=10)
评估模型
最后，传入测试集对模型模型进行评估
score = model.evaluate(X_test, y_test)print('acc', score[1])# acc 0.9927
准确率达到99%以上。
完整代码如下：
from keras.models import Sequentialfrom keras.layers import Conv2D, MaxPool2Dfrom keras.layers import Dense, Flattenimport kerasfrom keras.datasets import mnist#加载数据(X_train, y_train), (X_test, y_test) = mnist.load_data()img_x, img_y = X_train.shape[1], X_train.shape[2]#数据预处理X_train = X_train.reshape(X_train.shape[0], img_x, img_y, 1)X_test = X_test.reshape(X_test.shape[0], img_x, img_y, 1)X_train = X_train.astype('float32')X_test = X_test.astype('float32')X_train /= 255X_test /= 255y_train = keras.utils.to_categorical(y_train, num_classes=10)y_test = keras.utils.to_categorical(y_test, num_classes=10)#构建模型model = Sequential()model.add(Conv2D(32, kernel_size=(5,5), activation='relu', input_shape=(img_x, img_y, 1)))model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))model.add(Conv2D(64, kernel_size=(5,5), activation='relu'))model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))model.add(Flatten())model.add(Dense(1000, activation='relu'))model.add(Dense(10, activation='softmax'))#模型编译pile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])#训练model.fit(X_train, y_train, batch_size=128, epochs=10)#评估模型score = model.evaluate(X_test, y_test)print('acc', score[1])
原文地址：/p/53790130
非常好一篇keras入门文章（有很多例子）：https://xiaosheng.me//07/04/article77/
