Kerasによるディープラーニング-モデルのコンパイル
コンパイルは、と呼ばれる単一のメソッド呼び出しを使用して実行されます compile。
model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
ザ・ compileメソッドにはいくつかのパラメーターが必要です。損失パラメータはタイプを持つように指定されています'categorical_crossentropy'。メトリックパラメータはに設定されています'accuracy' そして最後に adamネットワークをトレーニングするためのオプティマイザ。この段階での出力を以下に示します-

これで、データをネットワークにフィードする準備が整いました。
データのロード
前に述べたように、 mnistKerasによって提供されたデータセット。データをシステムにロードするときに、トレーニングデータとテストデータに分割します。データは、を呼び出すことによってロードされますload_data 次のような方法-
(X_train, y_train), (X_test, y_test) = mnist.load_data()
この段階での出力は次のようになります-

次に、ロードされたデータセットの構造を学習します。
提供されるデータは、サイズが28 x 28ピクセルのグラフィック画像で、それぞれに0から9までの1桁が含まれています。最初の10枚の画像をコンソールに表示します。そのためのコードを以下に示します-
# printing first 10 images
for i in range(10):
plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])
10カウントの反復ループでは、各反復でサブプロットを作成し、からの画像を表示します。 X_trainその中のベクトル。対応する画像の各画像にタイトルを付けますy_trainベクター。注意してくださいy_train ベクトルには、対応する画像の実際の値が含まれています X_trainベクター。2つのメソッドを呼び出すことにより、x軸とy軸のマーキングを削除しますxticks そして yticksnull引数付き。コードを実行すると、次の出力が表示されます-

次に、ネットワークにフィードするためのデータを準備します。