Keras 第一个神经网络

用 Keras 构建你的第一个神经网络

以下是一个使用 TensorFlow 的 Keras API 构建第一个神经网络的详细教程，目标是解决经典的 MNIST 手写数字分类问题。本教程适合初学者，包含完整的代码、步骤解释和运行结果分析。如果你是第一次使用 Keras，我会用通俗的语言讲解，并确保代码简洁易懂。

---

1. 目标

• 任务：识别手写数字（0-9），输入是 28×28 像素的灰度图像，输出是 10 个类别的概率。
• 数据集：MNIST，包含 60,000 张训练图像和 10,000 张测试图像。

---

2. 环境准备

确保已安装 TensorFlow（参考之前的“TensorFlow 环境搭建”）。运行以下命令验证：

pip install tensorflow

import tensorflow as tf
print(tf.__version__)  # 确保版本为 2.x（如 2.17.0）

---

3. 完整代码

以下是构建、训练和评估神经网络的完整代码：

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

# 1. 加载和预处理数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化到 [0,1]

# 2. 构建神经网络模型
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # 展平 28x28 图像为 784 维向量
    layers.Dense(128, activation='relu'),  # 隐藏层，128 个神经元
    layers.Dropout(0.2),                   # 随机丢弃 20% 神经元，防止过拟合
    layers.Dense(10, activation='softmax') # 输出层，10 个类别
])

# 3. 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 4. 训练模型
history = model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# 5. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'\n测试集准确率: {test_acc:.4f}')

# 6. 可视化训练过程（可选）
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

---

4. 代码逐部分解释

4.1 数据加载与预处理

• MNIST 数据集：tf.keras.datasets.mnist.load_data() 自动下载并返回训练和测试数据。
• x_train：形状为 (60000, 28, 28)，表示 60,000 张 28×28 像素图像。
• y_train：形状为 (60000,)，表示对应标签（0-9）。
• 归一化：将像素值从 [0, 255] 缩放到 [0, 1]，提高训练稳定性。

  x_train, x_test = x_train / 255.0, x_test / 255.0

4.2 构建模型

使用 Sequential 模型，线性堆叠层：

• Flatten：将 28×28 图像展平为 784 维向量（28*28=784）。
• Dense (128, relu)：全连接隐藏层，128 个神经元，使用 ReLU 激活函数增加非线性。
• Dropout (0.2)：随机丢弃 20% 的神经元，防止过拟合。
• Dense (10, softmax)：输出层，10 个神经元（对应 0-9），使用 softmax 输出概率。

4.3 编译模型

• 优化器：adam，自适应学习率，适合大多数任务。
• 损失函数：sparse_categorical_crossentropy，适用于多分类任务，标签是整数。
• 指标：accuracy，跟踪分类准确率。

4.4 训练模型

• epochs=5：训练 5 次完整数据集。
• batch_size=32：每次处理 32 张图像。
• validation_split=0.2：从训练集中分出 20% 作为验证集，监控过拟合。

4.5 评估模型

在测试集上评估模型性能，输出损失和准确率。

4.6 可视化（可选）

绘制训练和验证准确率曲线，检查模型是否过拟合。

---

5. 运行结果

运行代码后，你会看到：

• 训练过程：每个 epoch 显示训练损失、训练准确率、验证损失和验证准确率。
• 最终输出：

  测试集准确率: 0.9785  # 可能略有不同，通常在 97%-98%

• 可视化：Matplotlib 显示的曲线表明训练和验证准确率随 epoch 增加而提高。

---

6. 生成图表

以下是训练过程中准确率的图表代码（已包含在代码中）。如果你想单独生成：

{
  "type": "line",
  "data": {
    "labels": ["Epoch 1", "Epoch 2", "Epoch 3", "Epoch 4", "Epoch 5"],
    "datasets": [
      {
        "label": "Training Accuracy",
        "data": [0.93, 0.95, 0.96, 0.97, 0.975], // 示例数据，实际运行会不同
        "borderColor": "#1f77b4",
        "fill": false
      },
      {
        "label": "Validation Accuracy",
        "data": [0.94, 0.96, 0.965, 0.97, 0.972], // 示例数据
        "borderColor": "#ff7f0e",
        "fill": false
      }
    ]
  },
  "options": {
    "scales": {
      "x": { "title": { "display": true, "text": "Epoch" } },
      "y": { "title": { "display": true, "text": "Accuracy" }, "beginAtZero": false }
    }
  }
}

说明：此图表为示例，实际数据来自 history.history['accuracy'] 和 history.history['val_accuracy']。

---

7. 下一步改进

• 增加层：添加更多 Dense 层或尝试卷积层（Conv2D）提高准确率。
• 调整超参数：
• 增加 epochs 或调整 batch_size。
• 尝试其他优化器（如 RMSprop）或学习率。
• 数据增强：使用 tf.keras.preprocessing.image.ImageDataGenerator 增强数据。
• 保存模型：

  model.save('mnist_model.h5')

---

8. 常见问题

• 准确率低：增加 epoch 数、添加层或调整学习率（optimizer=tf.keras.optimizers.Adam(learning_rate=0.001)）。
• 运行慢：检查是否启用 GPU（tf.config.list_physical_devices('GPU')）。
• 内存不足：减小 batch_size 或使用 tf.data 优化数据加载。

---

9. 总结

这个简单的 Keras 神经网络展示了从数据加载到模型训练的完整流程。通过 Sequential 模型，你可以快速构建一个功能强大的分类器。MNIST 是一个经典入门数据集，适合理解 Keras 的核心功能。

如果你想深入某个部分（比如添加卷积层、自定义损失函数）或需要其他数据集的示例，请告诉我！需要更多图表（如损失曲线）或调试帮助吗？