本文参考了《tensorflow+keras深度学习人工智能时间应用》。若本文有任何谬误欢迎指正，本人将尽快更改并深表谢意。
使用的数据集仍然是mnist

以下使用Out[数字]:的方式表示代码输出结果

Out[数字]:
代码输出

建立多层感知器模型的步骤

1、数据预处理

数据预处理后，会产生features（数字图像特征值）与label（数字真实的值）

2、建立模型

建立多层感知器模型

3、训练模型

输入训练模型features（数字图像特征值）与label（数字真实的值），执行10次训练

4、评估模型准确率：

使用测试数据评估模型准确率

5、进行预测

使用已经训练完成的模型，输入测试数据进行预测

进行数据预处理

步骤一 导入所需模块

from keras.utils import np_utils
import numpy as np
np.random.seed(10)

步骤二 读取mnist数据

from keras.datasets import mnist
(x_train_image,y_train_label),(x_test_image,y_test_label)=mnist.load_data()

步骤三 将features（数字图像特征值）使用reshape转换

下面的代码将原本28x28的数字图像以reshape转换成784个float数

x_train=x_train_image.reshape(60000,784).astype('float32')
x_test=x_test_image.reshape(10000,784).astype('float32')

步骤四 将features（数字图像特征值）标准化

将features（数字图像特征值）标准化可以提高模型预测的准确度，并且更快收敛

x_train_norm=x_train/255
x_test_norm=x_test/255

步骤五 label（数字的真实值）以one-hot encoding进行转换

使用np_utils.to_categorical将训练数据与测试数据的label进行one-hot encoding转换

y_train_onehot=np_utils.to_categorical(y_train_label)
y_test_onehot=np_utils.to_categorical(y_test_label)

建立模型

输入层（x）共有784个神经元，隐藏层（h）共有256个神经元，输出层（y）共有10个神经元

步骤一 导入所需模块

from keras.models import Sequential
from keras.layers import Dense

Keras 的核心数据结构是 model，一种组织网络层的方式。其中有两种模式，最简单且最常用的模型是 Sequential 序贯模型，它是由多个网络层线性堆叠的栈。对于更复杂的结构，可以使用 Keras 函数式 API，它允许构建任意的神经网络图。
全连接层

Dense(units, 
      activation=None, 
      use_bias=True, 
      kernel_initializer='glorot_uniform', 
      bias_initializer='zeros', 
      kernel_regularizer=None, 
      bias_regularizer=None, 
      activity_regularizer=None, 
      kernel_constraint=None, 
      bias_constraint=None)

参数

• units: 正整数，输出空间维度。
• activation: 激活函数。
  若不指定，则不使用激活函数
  (即， “线性”激活: a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器。
• bias_initializer: 偏置向量的初始化器.
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数。
• bias_regularizer: 运用到偏置向的正则化函数。
• activity_regularizer: 运用到层的输出的正则化函数。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数。
• bias_constraint: 运用到偏置向量的约束函数。

Dense 实现以下操作： output = activation(dot(input, kernel) + bias) 其中 activation 是按逐个元素计算的激活函数，kernel 是由网络层创建的权值矩阵，以及 bias 是其创建的偏置向量 (只在 use_bias 为 True 时才有用)。
注意: 如果该层的输入的秩大于 2，那么它首先被展平然后 再计算与 kernel 的点乘。

步骤二 建立Sequential模型

建立一个线性堆叠模型，后续只需要使用model.add()方法堆叠模型即可

# 声明序贯模型
model=Sequential()

序贯模型（Sequential）是多个网络层的线性堆叠，通俗来讲就是「一条路走到黑」。

步骤三 建立输入层与隐藏层

以下代码将输入层与隐藏层加入模型，使用model.add方法加入Dense全连接层。Dense全连接层的特色是：所有的上一层与下一层的神经元都完全连接

model.add(Dense(units=256,
                input_dim=784,
                kernel_initializer='normal',
                activation='relu'))

步骤四 建立输出层

使用model.add方法加入Dense全连接层，共有10个神经元，对应0-9十个数字。并且使用softmax激活函数进行转换，softmax可以将神经元的输出转换为预测每一个数字的概率

model.add(Dense(units=10,
                kernel_initializer='normal',
                activation='softmax'))

输出层的不需要设置input_dim，因为keras会按照上一层的units是256个神经元，设置这一层的input_dim为256个神经元

步骤四 查看模型的摘要

我们可以使用下列指令查看模型的摘要

print(model.summary())

模型摘要

我们可以看到共有以下两层：

• 隐藏层：共256个神经元，因为输入层与隐藏层是一起建立的，所以没有显示输入层
• 输出层：共10个神经元

模型的摘要还有Param字段，dense_1的Param为784x256+256=200960，dense_2的Param为256x10+10=2570，稍后会给出说明。
以上每一层Param都是超参数（Hyper-Parameters）。
我们需要通过方向传播算法更新神经元连接的权重和偏差。

• 建立输入层与隐藏层的公式如下：
  h1 = relu( X x W1 + b1)
• 建立隐藏层与输出层的公式如下：
  Y = softmax( h1 x W2 + b2)
• 所以每一层的Param计算方式如下：
  Param = (上一层神经元数量）x （本层的神经元数量） + （本层的神经元数量）

整个网络的超参数（Trainable params）是每一层Param的总和。通常Trainable params数值越大，代表模型越复杂。

进行训练

在我们建立好深度学习模型后，就可以采用反向传播算法进行训练了。

步骤一 定义训练方式

在训练模型之前，我们必须使用compile方法对训练模型进行设置：

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

• loss：设置损失函数，在深度学习中用cross_entropy（交叉熵）训练效果较好
• optimizer：设置训练时，在深度学习中使用adam优化器可以更快收敛，并提高准确率
• metrics：设置评估模型的方式为accuracy

步骤二 开始训练

train_history=model.fit(x=x_train_norm,
                        y=y_train_onehot,
                        validation_split=0.2,
                        epochs=10,
                        batch_size=200,
                        verbose=2)

训练结果

输入训练数据参数

• x = x_train_norm（features数字图像的特征值）
• y = y_train_onehot（label数字图像的实际值）

设置训练与验证数据比例

• 设置参数 validation_split = 0.2
  设置后，keras在训练前会自动将数据分成两份：80%作为训练数据，20%作为验证数据。
  本数据集总量为60000，因此48000项为训练集，12000项为验证集

设置epoch（训练周期）次数与每一批次的项数

• epochs = 10：执行10个训练周期
• batch_size = 200：每一批次200项数据

设置为显示训练过程

• verbose = 2：显示训练过程

以上代码共执行了10个训练周期，每个训练训练周期执行下列功能：

• 使用48000项训练数据训练，大约分为240个批次，每一批次200项
• 训练完成后，会计算这个训练周期的准确率与误差，并在train_history中新增一项数据记录