本文共 1118 字，大约阅读时间需要 3 分钟。
总结了Keras的基本使用方法，相信用过的同学都会觉得不可思议，太简洁了。十多天前，我在github上发现这个框架的时候，关注Keras的人还比较少，这两天无论是github还是微薄，都看到越来越多的人关注和使用Keras。所以这篇文章就简单地再介绍一下Keras的使用,方便各位入门。
主要包括以下三个内容：
- 训练CNN并保存训练好的模型。
- 将CNN用于特征提取，用提取出来的特征训练SVM。
- 可视化CNN卷积层后的特征图。
仍然以Mnist为例，代码中用的Mnist数据到这里下载
,本文的代码在我的github上:
1. 加载数据
数据是图片格式，利用pyhton的PIL模块读取，并转为numpy.array类型。这部分的代码在data.py里：
2. 训练CNN并保存训练好的CNN模型
将上一步加载进来的数据分为训练数据（X_train，30000个样本）和验证数据（X_val，12000个样本），构建CNN模型并训练。训练过程中，每一个epoch得到的val-accuracy都不一样，我们保存达到最好的val-accuracy时的模型，利用Python的cPickle模块保持。（Keras的开发者最近在添加用hdf5保持模型的功能，我试了一下，没用成功，去github发了issue也没人回，估计还没完善，hdf5压缩率会更高，保存下来的文件会更小。）
这部分的代码在cnn.py里，运行:
- 1
在第Epoch 4得到96.45%的validation accuracy,运行完后会得到model.pkl这份文件，保存的就是96.45%对应的模型：
3.将CNN用于特征提取，用提取出来的特征训练SVM
上一步得到了一个val-accuracy为96.45%的CNN模型，在一些论文中经常会看到用CNN的全连接层的输出作为特征，然后去训练其他分类器。这里我也试了一下，用全连接层的输出作为样本的特征向量，训练SVM。SVM用的是scikit learn里的算法。
这部分代码在cnn-svm.py,运行：
- 1
得到下图的输出，可以看到，cnn-svm的准确率提高到97.89%：
4.可视化CNN卷积层后的特征图
将卷积层和全连接层后的特征图、特征向量以图片形式展示出来，用到matplotlib这个库。这部分代码在get_feature_map.py里。运行：
- 1
得到全连接层的输出，以及第一个卷积层输出的4个特征图：
转载请注明出处：