神经网络手写数字识别

聊了几天理论，是该弄一个 Hello World 了，在人工智能领域，或者说深度学习领域，Hello World 程序就是手写数字识别，今天我们就来看看手写数字识别的程序怎么写。不愿意看代码吗，那我就说一说这段代码干了点什么：先通过 keras 内置的数据集下载测试数据，是 60000 长手写图片的训练集和 10000 张测试集，随后定义了一个神经网络的模型，设置网络中的层参数，随后配置训练网络的参数，包括损失函数和评测模型，设置迭代次数，启动训练网络，最后将测试数据喂给网络，得出训练效果是否有效。还是建议看仔细看一下代码：

#!/usr/bin/env python3
from keras import layers
from keras import models
from keras.datasets import mnist
from keras.utils import to_categorical
​
def hello_world():
    # 下载手写数字数据集, https://s3.amazonaws.com/img-datasets/mnist.npz
    (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
​
    print('训练集：', train_images.shape)   # (60000, 28, 28)
    print('训练集：', len(train_labels))    # 60000
    print('训练集：', train_labels)         # [5 0 4 ... 5 6 8]
​
    print()
    print('测试集：', test_images.shape)    # (10000, 28, 28)
    print('测试集：', len(test_labels))     # 10000
    print('测试集：', test_labels)          # [7 2 1 ... 4 5 6]
​
    # 模型，可以理解为就是前文说的黑盒子
    network = models.Sequential()
    # 神经网络的核心就是 layer，是真正用来加工处理数据的，Dense 是定义网络层的基础方法
    # 512 定义神经元个数，activation 定义激活函数，input_shape 定义输入尺寸
    network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
    network.add(layers.Dense(10, activation='softmax'))
​
    # 配置训练模型，optimizer 优化器名，loss 损失函数，metrics 模型评估标准
    network.compile(optimizer='rmsprop',
                    loss='categorical_crossentropy',
                    metrics=['accuracy'])
​
    # 不改变数组内容，改变数组格式
    train_images = train_images.reshape((60000, 28 * 28))
    # 数据类型转换
    train_images = train_images.astype('float32') / 255
​
    test_images = test_images.reshape((10000, 28 * 28))
    test_images = test_images.astype('float32') / 255
​
    # 转换成二进制
    train_labels = to_categorical(train_labels)
    test_labels = to_categorical(test_labels)
​
    # 在数据集上进行迭代
    network.fit(train_images, train_labels, epochs=5, batch_size=128, callbacks=[TensorBoard(log_dir='./log')])
    # 测试模式下损失值和指标值
    test_loss, test_acc = network.evaluate(test_images, test_labels)
​
    print('test_loss', test_loss, ', test_acc:', test_acc)
​
if __name__ == "__main__":
    hello_world()

TensorFlow 作为其运行引擎，输出数据集格式：

这是运行过程简图，可以看出准确率随着迭代次数，越来越高，训练后模型在测试集上运行识别准确率差不多为 98%：

这里我们思考几个问题：

1. 这个网络真的好像一个黑盒子，给了一些训练数据，然后就得出了一个模型，但是这个训练过程中，究竟向量间是怎么运算的，究竟特征值是怎么取的，每次运算的结果还不一样，那是不是就没有办法分析这个网络中究竟发生了什么，是不是觉得有点慌。如果一个人工智能指挥的战争，我们是不是都没有办法预测究竟发生了什么，指挥的命令是否符合人类最高价值观，想一想就会觉得有点可怕。

2. 这个训练过程其实还是挺耗时的，或者说神经网络运行一般都是挺耗时的，因此这个问题怎么去处理，怎么去剪枝，让其可以在有限的时间内就可以得到可以接受的结果。这是不是就对 AlphaGo 有了一点不一样的理解。

3. 这个网络究竟是怎么训练数据的，似乎也没写什么相关代码呀，好像也可以完成不少的事情，神经网络都这么简单吗？当然不是。在 network.fit 中最后最后一个参数是设置了callback，在控制台用 tensorboard --logdir=log 命令可以查看运行过程图，看不懂没关系，以后我们慢慢分析，截图如下：

今天，我们写了一个 Hello World，用的是 Keras，其底层内核是 TensorFlow，直观感性的复习一下之前聊过的知识，只看无益，去试一试吧！