不妨了解神经网络的简单概述，并学习如何用Keras通过短短几行代码编写你的第一个神经网络。 
【51CTO.com快译】回想起刚接触AI时，我清楚地记得一些概念看起来有多难。阅读神经网络的简单介绍常常碰到科学论文，里面的公式有你从未见过的符号，但开始编写第一个神经网络实际上容易得多!
那么神经网络是什么呢?
这个问题提得好!在自行用Python代码编写一个简单的神经网络之前，不妨介绍一下神经网络以及为何它如此令人兴奋!
HNC Software的联合创始人Robert Hecht-Nielsen博士简单地说。
……神经网络是由许多简单又高度互连的处理单元组成的计算系统，这些处理单元通过对外部输入的动态状态响应来处理信息。
——人工智能专家Maureen Caudill撰写的《神经网络入门：第一部分》，1989年2月
实际上，神经网络是一组擅长识别信息或数据中模式的数学表达式。神经网络通过一种模仿人类的感知来做到这点，但它不是像人类那样查看图片，而是表示以数字方式包含在Vector或Scalar中的信息(一个Vector只含一个数字)。
它通过层来传递该信息，一层的输出充当下一层的输入。经过这些层时，输入通过权重和偏差加以修改，然后发送到激活函数以映射输出。然后通过成本函数进行学习，该函数对实际输出和所需输出进行比较，这进而通过一种名为反向传播的过程，帮助函数更改并调整权重和偏差，实现成本最小化。
对于我们实现的示例神经网络，我们将使用MNIST数据集。
 
 
 
图1. MNIST样本数据集
MNIST好比是“Hello World”数据集，因为它能够非常简明地演示神经网络的功能。数据集由手写数字组成，我们将训练神经网络识别和分类这些数字。
Keras登场
为了便于实现，我们将使用Keras框架。Keras是用Python编写的一种高级API，它在TensorFlow和Theano等流行框架上运行，为机器学习从业人员提供了抽象层，以降低编写神经网络的固有复杂性。
建议你深入研究Keras说明文档(https://keras.io/)，以真正熟悉该API。另外强烈推荐Francois Chollet撰写的《用Python做深度学习》一书，本教程的灵感源自此书。
该考验GPU的时候了
我们在本教程中将使用Keras和TensorFlow后端，因此如果你尚未安装其中任何一个，现在赶紧安装，只需在终端中运行这些命令即可。如果你不单单想了解简单的入门示例，最好搭建Anaconda环境，改用conda安装以下内容。
pip3 install Keras pip3 install Tensorflow 
你已安装了第一个神经网络所需的一切，现在打开常用的IDE，不妨导入我们所需的Python模块!
from keras.datasets import mnist from keras import models from keras import layers from keras.utils import to_categorical 
Keras有许多数据集可以用来帮助你学习，对我们来说幸好有MNIST这个数据集。Models和Layers这两个模块可帮助我们构建神经网络，to_categorical用于数据编码，不过稍后有详细介绍。
我们已导入了所需的模块，接下来应将数据集分成训练集和测试集。只要用下面这一行即可完成。
(train_images, train_labels), (test_images, test_labels) = mnist.load_data() 
在该例子中，我们的神经网络通过对其输出与标记数据进行比较来学习。可以把这看成我们让神经网络猜测大量的手写数字，然后将猜测结果与实际标签进行比较。随后馈入结果，帮助模型调整权重和偏差，以便实现总成本最小化。
训练集和数据集已建好，现在我们准备构建模型。
network = models.Sequential() network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,))) network.add(layers.Dense(784, activation='relu', input_shape=(28 * 28,)))network.add(layers.Dense(10, activation='softmax'))n