Keras 初学者指南：30 分钟内的数字识别

kanizsuchona1

在过去十年中，人工神经网络 (ANN) 的使用大幅增加。人们已经在医疗诊断中使用人工神经网络，预测比特币价格，并制作假奥巴马视频！随着深度学习和人工神经网络的热议，您不是一直想为自己创建一个吗？在本教程中，我们将创建一个模型来识别手写数字。 Backward Skip 10s Play Video Forward Skip 10s 在本教程中，我们将使用Keras库来训练模型。Keras 是 Python 中的一个高级库，它是TensorFlow、CNTK和Theano的包装器。默认情况下，Keras 默认使用 TensorFlow 后端，我们将使用相同的后端来训练我们的模型。 人工神经网络 人工神经网络 来源 人工神经网络是一种数学模型，通过多个隐藏层将一组输入转换为一组输出。

人工神经网络与隐藏层一起工作，每个隐藏层都是与概率相关的瞬态形式。在典型的神经网络中，一层的每个节点都将前一层的所有节点作为输入。模型可能具有一个或多个隐藏层。 人工神经网络接收输入层并通过隐藏层 阿联酋电报号码列表 对其进行转换。人工神经网络是通过为隐藏层的每个节点分配随机权重和偏差来初始化的。当训练数据被输入模型时，它会使用每一步生成的误差来修改这些权重和偏差。因此，我们的模型在处理训练数据时“学习”该模式。 卷积神经网络 在本教程中，我们将识别数字——这是图像分类的简单版本。图像本质上是点或像素的集合。可以通过其组成颜色 (RGB) 来识别像素。因此，图像的输入数据本质上是像素的二维阵列，每个像素代表一种颜色。



如果我们要基于图像数据训练常规神经网络，我们必须提供一长串输入，每个输入都将连接到下一个隐藏层。这使得该过程难以扩大规模。 卷积神经网络架构 卷积神经网络架构 在卷积神经网络(CNN) 中，层以 3D 阵列排列（X 轴坐标、Y 轴坐标和颜色）。因此，隐藏层的节点只会连接到相应输入层附近的一个小区域，使得该过程比传统的神经网络高效得多。因此，CNN 在处理图像和视频时很受欢迎。 卷积神经网络层 卷积神经网络层 CNN 中的各种类型的层如下： 卷积层：这些层通过某些过滤器运行输入，这些过滤器识别图像中的特征 池化层：这些层结合了卷积特征，有助于减少特征 展平层：将 N 维层转换为 1D 层 分类层：最后一层，告诉我们最终结果 现在让我们探索一下数据。