使用Keras的流程如图7-8所示。
图7-8 Keras使用的过程
（1）选择模型
Keras提供序贯式模型和函数式模型两种模型，在以下的例子中将使用序贯式模型。
（2）构建网络层
在以下的例子中使用了卷积网络层和丢弃层（Dropout）。
（3）编译
编译相当于进行搭建，可以使用model.compile（ ）函数体验其作用。
（4）训练
这是耗费时间的步骤，通过训练计算出所有的网络参数，对应的函数是model.fit（ ）。
（5）预测
这是使用模型解决问题的步骤。例如，一个用来识别花朵类型的网络，输入花朵图片之后，预测出该花朵的类别。
几乎所有智能手机都支持手写识别，即通过手指或手写笔在屏幕上进行书写，然后识别出所写的字符（图7-9）。下面以手写数字识别为例讲解上述流程并具体实现这个识别任务。
传统计算机视觉方法中，识别手写字体是通过定义特征完成的。例如，某个手写数字带有两个封闭区域，就很可能是8。这样的方法经过不断地特征总结，准确率可以超过90%，这已经达到了可以实际应用的水平。但是当需要识别的类别变得更多的时候，例如，从10个数字增加到3 900个汉字，如果依然通过总结特征进行识别，那么识别率的提升就需要巨大的工作量，也很难提高到可用的程度。
然而通过深度学习，手写识别变成了一项简单的工作。这里的简单是指构建过程简单，但完成这个识别任务的整个工作并不容易，因为深度学习需要做大量的标注训练数据的工作。对手写数字来说，所谓的标注数据，就是通过人工标注各个手写图片到底是什么数字，从而建立图片和数字之间的映射关系（表7-1）。
图7-9 手写数字图片
表7-1 图片标注
在这个案例中，使用的数据集是深度学习经常使用的数据集MINST。这是一个手写数字数据库，包含60 000个训练样本和10 000个测试样本，每个样本图像的宽高为28×28。需要注意的是，此数据集中的图片是以二进制存储的，不能直接以图像格式查看，不过很容易找到将其转换成图像格式的工具。
接下来的代码将引导读者下载数据、构建网络、训练网络。使用的网络是在处理图片数据时非常有效的卷积神经网络。尽管这个案例搭建网络的过程很简单，但是读者可以据此进行更深入地探索。这一节编写代码的方式与前几章稍有不同，可以把它们保存成.py文件后直接运行，其中每一部分的含义已经在相应位置做了详细注释。读者在掌握了基本方法后，还可以尝试对参数进行调整，并观察调整后的识别效果，从而进一步理解这种方法。
from __future__ import print_function
#导入这个模块是增加Python不同版本之间兼容性的一种做法
import keras
#导入keras模块
from keras.datasets import mnist
#导入数据库函数，因为国内访问亚马逊云速度较慢，也可以不用这种方式下
#载数据，而是从教材资源平台下载并读取数据
from keras.models import Sequential
#使用keras的序贯模型
from keras.layers import Dense，Dropout，Flatten
from keras.layers import Conv2D，MaxPooling2D
#导入需要使用的网络层，包括稠密层、Dropout层、压平层、二维卷积层、
#池化层
from keras import backend as K
#导入后端
batch_size=128
#控制每个训练批次的数据大小的参数，读者可以调整并观察会产生什么变化
num_classes=10
#分类器类别数量。因为要识别0到9共10个手写数字，所以类别是10
#如果识别手写小写字母，则分类就是26
epochs=12
#训练周期，读者可以调整并观察效果，训练周期越大，训练时间越长
img_rows，img_cols=28，28
#图片的长和宽的像素数
（x_train，y_train），（x_test，y_test）=mnist.load_data（path="D：\\mnist.npz"）
#如果方便访问亚马逊云，可以用（x_train，y_train），（x_test，y_test）=
#mnist.load_data（ ）来自动下载数据。如果已经从教材资源平台将数据下载
#到本地，#假设保存在D盘根目录下，就使用上述命令形式。需要注意的是，
#为了和linux兼容，windows下的路径反斜杠"\"都要写成"\\"另外，
#上述命令将数据分为训练数据和验证数据。无论是训练集还是验证集，都令x
#是输入数据，y是输出数据
if K.image_data_format（）=='channels_first'：
x_train=x_train.reshape（x_train.shape[0]，1，img_rows，img_cols）
x_test=x_test.reshape（x_test.shape[0]，1，img_rows，img_cols）
input_shape=（1，img_rows，img_cols）
else：
x_train=x_train.reshape（x_train.shape[0]，img_rows，img_cols，1）
x_test=x_test.reshape（x_test.shape[0]，img_rows，img_cols，1）
input_shape=（img_rows，img_cols，1）
#因为Theano和TensorFlow定义的图片格式不同，这里针对不同的后台对
#数据进行处理，读者暂且可以不用深究
x_train=x_train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_train/=255
x_test/=255
print（'x_train shape：'，x_train.shape）
print（x_train.shape[0]，'train samples'）
print（x_test.shape[0]，'test samples'）
#上述命令给出训练集和测试集的维度，输出如下：
#x_train shape：（60000，28，28，1）
#60000 train samples
#10000 test samples
y_train=keras.utils.to_categorical（y_train，num_classes）
y_test=keras.utils.to_categorical（y_test，num_classes）
#上述命令将训练数据和验证数据的类别转化成keras支持的格式
#通过以下代码构建深度网络，使用2D卷积层，池化层、Dropout层、压平
#层等
model=Sequential（）
model.add（Conv2D（32，kernel_size=（3，3），
activation='relu'，
input_shape=input_shape））
model.add（Conv2D（64，（3，3），activation='relu'））
model.add（MaxPooling2D（pool_size=（2，2）））
model.add（Dropout（0.25））
model.add（Flatten（））
model.add（Dense（128，activation='relu'））
model.add（Dropout（0.5））
model.add（Dense（num_classes，activation='softmax'））
#上述深度网络包括两个卷积层，输出如下：
#WARNING：TensorFlow：From C：\Python\WinPython-64bit-3.6.1.0Q
#t5\Python-3.6.1.amd64\lib\site-packages\keras\backend\
#TensorFlow_backend.py：1062：calling reduce_prod（from
#TensorFlow.Python.ops.math_ops）with keep_dims is
#deprecated and will #be removed in a future version.
#Instructions for updating：
#keep_dims is deprecated，use keepdims instead
#这是一条警告命令，版本不同，警告信息可能也不同，提示内容是一些命令可
#能在后续版本中将不予支持
model.compile（loss=keras.losses.categorical_crossentropy，
optimizer=keras.optimizers.Adadelta（），
metrics=['accuracy']）
#使用以上代码进行网络具体搭建
#一般也会输出类似的警告信息
model.fit（x_train，y_train，
batch_size=batch_size，
epochs=epochs，
verbose=1，
validation_data=（x_test，y_test））
#使用上述代码进行模型训练，训练时长根据配置不同而不同
#训练过程中会给出每次更新网络参数所需的时间、损失、精度等
#因为训练过程有随机因素，所以读者训练的结果也许会有差别，不必纠结
Train on 60000 samples，validate on 10000 samples
Epoch 1/12
60000/60000[==============================]-131s-loss：0.3303-acc：0.8998-val_loss：0.0758-val_acc：0.9766
Epoch 2/12
60000/60000[==============================]-9s-loss：
0.1106-acc：0.9676-val_loss：0.0522-val_acc：0.9825
Epoch 3/12
60000/60000[==============================]-9s-loss：
0.0831-acc：0.9746-val_loss：0.0405-val_acc：0.9870
Epoch 4/12
60000/60000[==============================]-9s-loss：0.0677-acc：0.9798-val_loss：0.0360-val_acc：0.9873
Epoch 5/12
60000/60000[==============================]-9s-loss：0.0595-acc：0.9821-val_loss：0.0353-val_acc：0.9875
Epoch 6/12
60000/60000[==============================]-10s-loss：0.0556-acc：0.9837-val_loss：0.0327-val_acc：0.9891
Epoch 7/12
60000/60000[==============================]-12s-loss：0.0481-acc：0.9855-val_loss：0.0292-val_acc：0.9896
Epoch 8/12
60000/60000[==============================]-14s-loss：0.0453-acc：0.9860-val_loss：0.0299-val_acc：0.9897
Epoch 9/12
60000/60000[==============================]-17s-loss：0.0420-acc：0.9868-val_loss：0.0297-val_acc：0.9899
Epoch 10/12
60000/60000[==============================]-17s-loss：0.0395-acc：0.9878-val_loss：0.0289-val_acc：0.9904
Epoch 11/12
60000/60000[==============================]-17s-loss：0.0376-acc：0.9885-val_loss：0.0278-val_acc：0.9914
Epoch 12/12
60000/60000[==============================]-15s-loss：0.0357-acc：0.9885-val_loss：0.0268-val_acc：0.9909
#训练结果如下。同样，不同的配置和训练过程会导致总损失不同
#读者实践过程中获得的数值一般不会与教材的示例完全一致
score=model.evaluate（x_test，y_test，verbose=0）
print（'Test loss：'，score[0]）
#使用总损失对模型进行评估，即评估该模型的效果，通过总损失表示
在本教材使用的计算机上，该训练样本的损失如下。
Test loss：0.0268492490485