使用Keras的流程如图7-8所示。
图7-8Keras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3900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60000个训练样本和10000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__ importprint_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
importkeras
#导入keras模块
#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
#使用keras的序贯模型
，Dropout，Flatten
fromkeras.layersimportConv2D，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
fromkerasimportbackendasK
#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
