win10安装Anaconda+TensorFlow(CPU)+keras+Pycharm

pip install tensorflow

pip install keras

python

import tensorflow as tf
sess &＃61; tf.Session()
a &＃61; tf.constant(10)
b &＃61; tf.constant(22)
print(sess.run(a &＃43; b))


import keras


from __future__ import print_function
# 导入numpy库&＃xff0c; numpy是一个常用的科学计算库&＃xff0c;优化矩阵的运算
import numpy as np
np.random.seed(1337)# 导入mnist数据库&＃xff0c; mnist是常用的手写数字库
from keras.datasets import mnist
# 导入顺序模型
from keras.models import Sequential
# 导入全连接层Dense&＃xff0c; 激活层Activation 以及 Dropout层
from keras.layers.core import Dense, Dropout, Activation
# 导入优化器RMSProp
from keras.optimizers import RMSprop
# 导入numpy工具&＃xff0c;主要是用to_categorical来转换类别向量
from keras.utils import np_utils
# 设置batch的大小
batch_size &＃61; 128
# 设置类别的个数
nb_classes &＃61; 10
# 设置迭代的次数
nb_epoch &＃61; 20
# keras中的mnist数据集已经被划分成了60,000个训练集&＃xff0c;10,000个测试集的形式&＃xff0c;按以下格式调用即可
(X_train, y_train), (X_test, y_test) &＃61; mnist.load_data()
# X_train原本是一个60000*28*28的三维向量&＃xff0c;将其转换为60000*784的二维向量
X_train &＃61; X_train.reshape(60000, 784)
# X_test原本是一个10000*28*28的三维向量&＃xff0c;将其转换为10000*784的二维向量
X_test &＃61; X_test.reshape(10000, 784)
# 将X_train, X_test的数据格式转为float32存储
X_train &＃61; X_train.astype(&＃39;float32&＃39;)
X_test &＃61; X_test.astype(&＃39;float32&＃39;)
# 归一化
X_train /&＃61; 255
X_test /&＃61; 255
# 打印出训练集和测试集的信息
print(X_train.shape[0], &＃39;train samples&＃39;)
print(X_test.shape[0], &＃39;test samples&＃39;)
&＃39;&＃39;&＃39;
将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵&＃xff0c;
相当于将向量用one-hot重新编码&＃39;&＃39;&＃39;
Y_train &＃61; np_utils.to_categorical(y_train, nb_classes)
Y_test &＃61; np_utils.to_categorical(y_test, nb_classes)
# 建立顺序型模型
model &＃61; Sequential()
&＃39;&＃39;&＃39;
模型需要知道输入数据的shape&＃xff0c;
因此&＃xff0c;Sequential的第一层需要接受一个关于输入数据shape的参数&＃xff0c;
后面的各个层则可以自动推导出中间数据的shape&＃xff0c;
因此不需要为每个层都指定这个参数
&＃39;&＃39;&＃39; # 输入层有784个神经元
# 第一个隐层有512个神经元&＃xff0c;激活函数为ReLu&＃xff0c;Dropout比例为0.2
model.add(Dense(512, input_shape&＃61;(784,)))
model.add(Activation(&＃39;relu&＃39;))
model.add(Dropout(0.2))# 第二个隐层有512个神经元&＃xff0c;激活函数为ReLu&＃xff0c;Dropout比例为0.2
model.add(Dense(512))
model.add(Activation(&＃39;relu&＃39;))
model.add(Dropout(0.2))# 输出层有10个神经元&＃xff0c;激活函数为SoftMax&＃xff0c;得到分类结果
model.add(Dense(10))
model.add(Activation(&＃39;softmax&＃39;))# 输出模型的整体信息
# 总共参数数量为784*512&＃43;512 &＃43; 512*512&＃43;512 &＃43; 512*10&＃43;10 &＃61; 669706
model.summary()
&＃39;&＃39;&＃39;
配置模型的学习过程
compile接收三个参数&＃xff1a;
1.优化器optimizer&＃xff1a;参数可指定为已预定义的优化器名&＃xff0c;如rmsprop、adagrad&＃xff0c;
或一个Optimizer类对象&＃xff0c;如此处的RMSprop()
2.损失函数loss&＃xff1a;参数为模型试图最小化的目标函数&＃xff0c;可为预定义的损失函数&＃xff0c;
如categorical_crossentropy、mse&＃xff0c;也可以为一个损失函数
3.指标列表&＃xff1a;对于分类问题&＃xff0c;一般将该列表设置为metrics&＃61;[&＃39;accuracy&＃39;]
&＃39;&＃39;&＃39;
model.compile(loss&＃61;&＃39;categorical_crossentropy&＃39;,optimizer&＃61;RMSprop(),metrics&＃61;[&＃39;accuracy&＃39;])&＃39;&＃39;&＃39;
训练模型
batch_size&＃xff1a;指定梯度下降时每个batch包含的样本数
nb_epoch&＃xff1a;训练的轮数&＃xff0c;nb指number of
verbose&＃xff1a;日志显示&＃xff0c;0为不在标准输出流输出日志信息&＃xff0c;1为输出进度条记录&＃xff0c;2为epoch输出一行记录
validation_data&＃xff1a;指定验证集
fit函数返回一个History的对象&＃xff0c;其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况&＃xff0c;
如果有验证集的话&＃xff0c;也包含了验证集的这些指标变化情况
&＃39;&＃39;&＃39;
history &＃61; model.fit(X_train, Y_train,batch_size &＃61; batch_size,nb_epoch &＃61; nb_epoch,verbose &＃61; 1,validation_data &＃61; (X_test, Y_test))# 按batch计算在某些输入数据上模型的误差
score &＃61; model.evaluate(X_test, Y_test, verbose&＃61;0)
# 输出训练好的模型在测试集上的表现
print(&＃39;Test score:&＃39;, score[0])
print(&＃39;Test accuracy:&＃39;, score[1])