人工智慧-Keras深度學習入門-mnist，編程環境Jupyter

一、運行 Jupyter

Jupyter在編輯過程中，每編輯一段代碼，就可以運行一段代碼，運行的結果也將直接顯示在代碼下方， 方便查看。 在數據科學領域， 需要頻繁的進行數據清洗，查看，以及畫圖， 非常需要這種交互式的開發環境。

運行以及編輯的所有結果會保存在文件中，後續只要把文件分享給別人， 就可以看到你的一系列操作。

Jupyter以段落為主的編輯模式：

啟動jupyter， 系統提示如下錯誤：

C:\WINDOWS\system32>jupyter notebook

AttributeError: type object 'IOLoop' has no attribute 'initialized'

原因：

tornado版本過高，如下圖為5.1.1，不支持jupyter notebook.

conda install tornado=4.5

啟動jupyter， 啟動成功

為了便於文件管理， 指定工作路逕啟動:

jupyter notebook D:\g_learn\jupyter

二、通過Jupter，來進行Keras環境檢查：

新建一個python文件，命名為keras_evn,保存

1. Python 版本檢查，輸入命令!python --version,用 [shift +enter]運行
2. 基礎包導入檢查，用 [shift +enter]運行，正常
3. 檢查安裝版本

三、用Python實現感知機，為了便於理解keras的各種api的作用：

前向傳播：通過輸入層輸入，並且一路向前計算出輸出的結果。

反向傳播：通過輸出反向更新權重的過程。差值*學習率來更新權重。

鏈式法則：是微積分中的求導法則，用於求一個複合函數的導數，是在微積分的求導運算中一種常用的方法。複合函數的導數將是構成複合這有限個函數在相應點的 導數的乘積，就像鎖鏈一樣一環套一環，故稱鏈式法則。

線性感知機：根據特徵對數據進行分類，通過這個算法，可以發現一條曲線、曲面，或者叫做超平面，在二維圖形中可以表現為一條直線，當維度大於3時表現為是一個超平面，n-1維。

在一個二維空間內，生成一些點， 生成一條直線，將原來點進行分割。用感知機對隨機點進行分類， 來看差別。

運行結果如下：

四、Keras Hello world - Minist手寫體識別：

Keras基礎模塊：

在juypter中， 用SHIFT+TAB鍵快速查看函數參數

Minist 手寫體識別導入數據集|模型|層|優化器

從數據集中加載數據，訓練集和測試集，這個操作需要一會兒

訓練集60000張 28*28，測試集

這是可視化的包， 以灰度展示，加上參數cmap="gray"

看一下這張圖片是不是5，將圖片轉成一個一維的向量，並查看。

可以看到這是0-255的值

可以看到這是0-255的值

我們期望把值縮小到0-1之內， 神經網絡可以更快的收斂。

對有標籤進行處理, keras提供了相應的工具，用to_categorical，將向量轉化為二階矩陣，因為是0-9， 所以是10個。

構建模型，後面的工作都交給神經網絡。輸入層-隱藏層-輸出層

以上搭建了模型，通過compile，對神經網絡進行編譯：優化器，損失函數， 通過【準確度】可以人為評判。

對模型進行訓練，優化5次，可以看到， 精度越來越高，損失越來越小

用evaluate對模型的效果進行評估

'activations', 激活函數'applications', 有已經訓練好的模型'callbacks',回調函數engine 是layer層的核心代碼layers 包括keras已經實現的網絡層，和卷積層等losses 損失函數，衡量訓練中的好壞metricsmodels 函數式編程，和序貫編程optimizer 更新權值的一個方法preprocessing 預處理模塊regularizersutils 工具模塊wrappers 封裝模塊