【51CTO.com快譯】回想起剛接觸AI時，我清楚地記得一些概念看起來有多難。閱讀神經(jīng)網(wǎng)絡(luò)的簡單介紹常常碰到科學(xué)論文，里面的公式有你從未見過的符號，但開始編寫第一個神經(jīng)網(wǎng)絡(luò)實際上容易得多!

那么神經(jīng)網(wǎng)絡(luò)是什么呢?

這個問題提得好!在自行用Python代碼編寫一個簡單的神經(jīng)網(wǎng)絡(luò)之前，不妨介紹一下神經(jīng)網(wǎng)絡(luò)以及為何它如此令人興奮!

HNC Software的聯(lián)合創(chuàng)始人Robert Hecht-Nielsen博士簡單地說。

……神經(jīng)網(wǎng)絡(luò)是由許多簡單又高度互連的處理單元組成的計算系統(tǒng)，這些處理單元通過對外部輸入的動態(tài)狀態(tài)響應(yīng)來處理信息。

——人工智能專家Maureen Caudill撰寫的《神經(jīng)網(wǎng)絡(luò)入門：第一部分》，1989年2月

實際上，神經(jīng)網(wǎng)絡(luò)是一組擅長識別信息或數(shù)據(jù)中模式的數(shù)學(xué)表達(dá)式。神經(jīng)網(wǎng)絡(luò)通過一種模仿人類的感知來做到這點，但它不是像人類那樣查看圖片，而是表示以數(shù)字方式包含在Vector或Scalar中的信息(一個Vector只含一個數(shù)字)。

它通過層來傳遞該信息，一層的輸出充當(dāng)下一層的輸入。經(jīng)過這些層時，輸入通過權(quán)重和偏差加以修改，然后發(fā)送到激活函數(shù)以映射輸出。然后通過成本函數(shù)進(jìn)行學(xué)習(xí)，該函數(shù)對實際輸出和所需輸出進(jìn)行比較，這進(jìn)而通過一種名為反向傳播的過程，幫助函數(shù)更改并調(diào)整權(quán)重和偏差，實現(xiàn)成本最小化。

對于我們實現(xiàn)的示例神經(jīng)網(wǎng)絡(luò)，我們將使用MNIST數(shù)據(jù)集。

圖1. MNIST樣本數(shù)據(jù)集

MNIST好比是“Hello World”數(shù)據(jù)集，因為它能夠非常簡明地演示神經(jīng)網(wǎng)絡(luò)的功能。數(shù)據(jù)集由手寫數(shù)字組成，我們將訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別和分類這些數(shù)字。

Keras登場

為了便于實現(xiàn)，我們將使用Keras框架。Keras是用Python編寫的一種高級API，它在TensorFlow和Theano等流行框架上運行，為機器學(xué)習(xí)從業(yè)人員提供了抽象層，以降低編寫神經(jīng)網(wǎng)絡(luò)的固有復(fù)雜性。

建議你深入研究Keras說明文檔(https://keras.io/)，以真正熟悉該API。另外強烈推薦Francois Chollet撰寫的《用Python做深度學(xué)習(xí)》一書，本教程的靈感源自此書。

該考驗GPU的時候了

我們在本教程中將使用Keras和TensorFlow后端，因此如果你尚未安裝其中任何一個，現(xiàn)在趕緊安裝，只需在終端中運行這些命令即可。如果你不單單想了解簡單的入門示例，最好搭建Anaconda環(huán)境，改用conda安裝以下內(nèi)容。 

pip3 install Keras  
pip3 install Tensorflow 

你已安裝了第一個神經(jīng)網(wǎng)絡(luò)所需的一切，現(xiàn)在打開常用的IDE，不妨導(dǎo)入我們所需的Python模塊! 

from keras.datasets import mnist  
from keras import models  
from keras import layers  
from keras.utils import to_categorical 

Keras有許多數(shù)據(jù)集可以用來幫助你學(xué)習(xí)，對我們來說幸好有MNIST這個數(shù)據(jù)集。Models和Layers這兩個模塊可幫助我們構(gòu)建神經(jīng)網(wǎng)絡(luò)，to_categorical用于數(shù)據(jù)編碼，不過稍后有詳細(xì)介紹。

我們已導(dǎo)入了所需的模塊，接下來應(yīng)將數(shù)據(jù)集分成訓(xùn)練集和測試集。只要用下面這一行即可完成。

(train_images, train_labels), (test_images, test_labels) = mnist.load_data() 

在該例子中，我們的神經(jīng)網(wǎng)絡(luò)通過對其輸出與標(biāo)記數(shù)據(jù)進(jìn)行比較來學(xué)習(xí)。可以把這看成我們讓神經(jīng)網(wǎng)絡(luò)猜測大量的手寫數(shù)字，然后將猜測結(jié)果與實際標(biāo)簽進(jìn)行比較。隨后饋入結(jié)果，幫助模型調(diào)整權(quán)重和偏差，以便實現(xiàn)總成本最小化。

訓(xùn)練集和數(shù)據(jù)集已建好，現(xiàn)在我們準(zhǔn)備構(gòu)建模型。

network = models.Sequential()  
network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,))) 
network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,)))network.add(layers.Dense(10, activation='softmax'))network.compile(optimizer='adam',  
loss='categorical_crossentropy',  
metrics=['accuracy']) 

這看起來代碼有很多，但不妨分解一下。我們初始化名為network的順序模型。

network = models.Sequential() 

然后我們添加神經(jīng)網(wǎng)絡(luò)層。針對該例子，我們將使用密集層。密集層是指，每個神經(jīng)元從上一層的所有神經(jīng)元接收輸入。[784]和[10]指輸出空間的維數(shù)，這好比是后續(xù)層的輸入數(shù);由于我們試圖解決的分類問題有10種可能的類別(數(shù)字0至9)，最后層的潛在輸出是10個單位。激活參數(shù)指我們想要使用的激活函數(shù)，實際上激活函數(shù)根據(jù)給定的輸入來計算輸出。 最后，28 * 28的輸入形狀是指圖片的像素寬度和高度。 

network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,)))  
network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,)))  
network.add(layers.Dense(10, activation='softmax')) 

一旦模型定義完畢，并添加了神經(jīng)網(wǎng)絡(luò)層，我們只需用所選擇的優(yōu)化器、所選擇的損失函數(shù)以及想用來評估模型性能的度量標(biāo)準(zhǔn)來編譯該模型。 

network.compile(optimizer='adam',  
loss='categorical_crossentropy',  
metrics=['accuracy']) 

恭喜!你剛構(gòu)建了你的第一個神經(jīng)網(wǎng)絡(luò)!

現(xiàn)在你可能仍有幾個問題，比如relu和softmax是什么?adam又是誰?那些都是值得思考的問題……我們會在以后的文章中深入解釋這些問題。

將數(shù)據(jù)饋入到剛創(chuàng)建的模型之前，我們需要將輸入整形成模型可以讀取的格式。輸入的原始形狀是[60000，28，28]，實際上代表60000個像素高度和寬度是28 x28的圖片。我們可以對數(shù)據(jù)進(jìn)行整形，分為訓(xùn)練[60000]圖片和測試[10000]圖片。 

train_images = train_images.reshape((60000, 28 * 28))  
train_images = train_images.astype('float32') / 255  
test_images = test_images.reshape((10000, 28 * 28))  
test_images = test_images.astype('float32') / 255 

除了整形數(shù)據(jù)外，我們還需要編碼數(shù)據(jù)。針對該例子，我們將使用分類編碼，這實際上將許多特征變成數(shù)值表示。 

train_labels = to_categorical(train_labels)  
test_labels = to_categorical(test_labels) 

我們的數(shù)據(jù)集已分成訓(xùn)練集和測試集，而且模型經(jīng)過編譯、數(shù)據(jù)經(jīng)過整形和編碼，現(xiàn)在我們現(xiàn)在準(zhǔn)備訓(xùn)練神經(jīng)網(wǎng)絡(luò)!為此，我們要調(diào)用fit函數(shù)，并傳遞所需的參數(shù)。

network.fit(train_images, train_labels, epochs=5, batch_size=128) 

我們傳遞訓(xùn)練圖片及其標(biāo)簽，另外傳遞輪次(epoch)和批大小(batch_size)，前者表明了向后傳播和向前傳播的數(shù)量，后者表明了每個向后/向前傳播的訓(xùn)練樣本數(shù)量。

我們還想要設(shè)置性能衡量參數(shù)，以便搞清楚這個模型的效果有多好。 

test_loss, test_acc = network.evaluate(test_images, test_labels)  
print('test_acc:', test_acc, 'test_loss', test_loss) 

大功告成!你剛編寫了自己的神經(jīng)網(wǎng)絡(luò)，整形并編碼了數(shù)據(jù)集，并擬合了訓(xùn)練的模型。如果你首次運行Python腳本，Keras會下載MNIST數(shù)據(jù)集，開始訓(xùn)練5輪。

使用測試輸出的訓(xùn)練周期

你的測試準(zhǔn)確度應(yīng)該達(dá)到98%左右，這意味著模型運行測試時在98%的時間段內(nèi)正確預(yù)測了數(shù)字，這對你的第一個神經(jīng)網(wǎng)絡(luò)來說不賴!實際上，如果你的模型擬合過度/擬合不足，你希望同時查看測試結(jié)果和訓(xùn)練結(jié)果，以便想出好主意。

鼓勵你調(diào)整一下層數(shù)、優(yōu)化器、損失函數(shù)、輪次以及批大小，看看各自對模型的整體性能有何影響!

原文標(biāo)題：Writing Your First Neural Net in Less Than 30 Lines of Code with Keras，作者：David Gündisch

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】