一.什么是分类学习
1.Classification
回归问题，它预测的是一个连续分布的值，例如房屋的价格、汽车的速度、Pizza的价格等。而当我们遇到需要判断一张图片是猫还是狗时，就不能再使用回归解决了，此时需要通过分类学习，把它分成计算机能够识别的那一类（猫或狗）。
如上图所示，通常来说，计算机处理的东西和人类有所不同，无论是声音、图片还是文字，它们都只能以数字0或1出现在计算机神经网络里。神经网络看到的图片其实都是一堆数字，对数字的加工处理最终生成另一堆数字，并且具有一定认知上的意义，通过一点点的处理能够得知计算机到底判断这张图片是猫还是狗。
分类（Classification） 属于有监督学习中的一类，它是数据挖掘、机器学习和数据科学中一个重要的研究领域。分类模型类似于人类学习的方式，通过对历史数据或训练集的学习得到一个目标函数，再用该目标函数预测新数据集的未知属性。分类模型主要包括两个步骤：
训练。给定一个数据集，每个样本都包含一组特征和一个类别信息，然后调用分类算法训练模型。
预测。利用生成的模型对新的数据集（测试集）进行分类预测，并判断其分类结果。
通常为了检验学习模型的性能会使用校验集。数据集会被分成不相交的训练集和测试集，训练集用来构造分类模型，测试集用来检验多少类标签被正确分类。
那么，回归和分类有什么区别呢？
分类和回归都属于监督学习，它们的区别在于：回归是用来预测连续的实数值，比如给定了房屋面积来预测房屋价格，返回的结果是房屋价格；而分类是用来预测有限的离散值，比如判断一个人是否患糖尿病，返回值是“是”或“否”。也就是说，明确对象属于哪个预定义的目标类，预定义的目标类是离散值时为分类，连续值时为回归。
2.MNIST
MNIST是手写体识别数据集，它是非常经典的一个神经网络示例。MNIST图片数据集包含了大量的数字手写体图片，如下图所示，我么可以尝试用它进行分类实验。
MNIST数据集是含标注信息的，上图分别表示数字5、0、4和1。该数据集共包含三部分：
训练数据集：55,000个样本，mnist.train
测试数据集：10,000个样本，mnist.test
验证数据集：5,000个样本，mnist.validation
通常，训练数据集用来训练模型，验证数据集用来检验所训练出来的模型的正确性和是否过拟合，测试集是不可见的（相当于一个黑盒），但我们最终的目的是使得所训练出来的模型在测试集上的效果（这里是准确性）达到最佳。
如下图所示，数据是以该形式被计算机所读取，比如28*28=784个像素点，白色的地方都是0，黑色的地方表示有数字的，总共有55000张图片。
MNIST数据集中的一个样本数据包含两部分内容：手写体图片和对应的label。这里我们用xs和ys分别代表图片和对应的label，训练数据集和测试数据集都有xs和ys，使用mnist.train.images和mnist.train.labels表示训练数据集中图片数据和对应的label数据。
如下图所示，它表示由2828的像素点矩阵组成的一张图片，这里的数字784（2828）如果放在我们的神经网络中，它就是x输入的大小，其对应的矩阵如下图所示，类标label为1。
最终MNIST的训练数据集形成了一个形状为55000*784位的tensor，也就是一个多维数组，第一维表示图片的索引，第二维表示图片中像素的索引（tensor中的像素值在0到1之间）。
这里的y值其实是一个矩阵，这个矩阵有10个位置，如果它是1的话，它在1的位置（第2个数字）上写1，其他地方写0；如果它是2的话，它在2的位置（第3个数字）上写1，其他位置为0。通过这种方式对不同位置的数字进行分类，例如用[0,0,0,1,0,0,0,0,0,0]来表示数字3，如下图所示。
mnist.train.labels是一个55000*10的二维数组，如下图所示。它表示55000个数据点，第一个数据y表示5，第二个数据y表示0，第三个数据y表示4，第四个数据y表示1。
知道了MNIST数据集的组成，以及x和y具体的含义，我们就开始编写Keras吧！
二.Keras实现MNIST分类
本文通过Keras搭建一个分类神经网络，再训练MNIST数据集。其中X表示图片，28*28，y对应的是图像的标签。
第一步，导入扩展包。
importnumpyasnpfromkeras.datasetsimportmnistfromkeras.utilsimportnp_utilsfromkeras.modelsimportSequentialfromkeras.layersimportDense,Activationfromkeras.optimizersimportRMSprop
第二步，载入MNIST数据及预处理。
X_train.reshape(X_train.shape[0],-1) / 255
将每个像素点进行标准化处理，从0-255转换成0-1的范围。
np_utils.to_categorical(y_train,nb_classes=10)
调用up_utils将类标转换成10个长度的值，如果数字是3，则会在对应的地方标记为1，其他地方标记为0，即{0,0,0,1,0,0,0,0,0,0}。
由于MNIST数据集是Keras或TensorFlow的示例数据，所以我们只需要下面一行代码，即可实现数据集的读取工作。如果数据集不存在它会在线下载，如果数据集已经被下载，它会被直接调用。
#下载MNIST数据#Xshape(60000,28*28)yshape(10000,)(X_train,y_train),(X_test,y_test)=mnist.load_data()#数据预处理X_train=X_train.reshape(X_train.shape[0],-1)/255#normalizeX_test=X_test.reshape(X_test.shape[0],-1)/255#normalize#将类向量转化为类矩阵数字5转换为0000010000矩阵y_train=np_utils.to_categorical(y_train,num_classes=10)y_test=np_utils.to_categorical(y_test,num_classes=10)
第三步，创建神经网络层。
前面介绍创建神经网络层的方法是定义之后，利用add()添加神经层。
model = Sequential()
model.add(Dense(output_dim=1,input_dim=1))
而这里采用另一种方法，在Sequential()定义的时候通过列表添加神经层。同时需要注意，这里增加了神经网络激励函数并调用RMSprop加速神经网络。
from keras.layers importDense, Activation
from keras.optimizersimport RMSprop
该神经网络层为：
第一层为Dense(32, input_dim=784)，它将传入的784转换成32个输出
该数据加载一个激励函数Activation(‘relu’)，并转换成非线性化数据
第二层为Dense(10)，它输出为10个单位。同时Keras定义神经层会默认其输入为上一层的输出，即32（省略）
接着加载一个激励函数Activation(‘softmax’)，用于分类
Another way to build your neural net
model = Sequential([ Dense(32, input_dim=784), # 输入值784(28*28) => 输出值32 Activation('relu'), # 激励函数 转换成非线性数据 Dense(10), # 输出为10个单位的结果 Activation('softmax') # 激励函数 调用softmax进行分类 ])
Another way to define your optimizer
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0) #学习率lr
We add metrics to get more results you want to see
激活神经网络
model.compile( optimizer = rmsprop, # 加速神经网络 loss = 'categorical_crossentropy', # 损失函数 metrics = ['accuracy'], # 计算误差或准确率 )
第四步，神经网络训练及预测。
print("Training")model.fit(X_train,y_train,nb_epoch=2,batch_size=32)#训练次数及每批训练大小print("Testing")loss,accuracy=model.evaluate(X_test,y_test)print("loss:",loss)print("accuracy:",accuracy)完整代码：
#-*-coding:utf-8-*-"""CreatedonFriFeb1416:43:212020@author:EastmountCSDNYXZO(∩_∩)OWuhanFighting!!!"""importnumpyasnpfromkeras.datasetsimportmnistfromkeras.utilsimportnp_utilsfromkeras.modelsimportSequentialfromkeras.layersimportDense,Activationfromkeras.optimizersimportRMSprop#---------------------------载入数据及预处理---------------------------#下载MNIST数据#Xshape(60000,28*28)yshape(10000,)(X_train,y_train),(X_test,y_test)=mnist.load_data()#数据预处理X_train=X_train.reshape(X_train.shape[0],-1)/255#normalizeX_test=X_test.reshape(X_test.shape[0],-1)/255#normalize#将类向量转化为类矩阵数字5转换为0000010000矩阵y_train=np_utils.to_categorical(y_train,num_classes=10)y_test=np_utils.to_categorical(y_test,num_classes=10)#---------------------------创建神经网络层---------------------------#Anotherwaytobuildyourneuralnetmodel=Sequential([Dense(32,input_dim=784),#输入值784(28*28)=>输出值32Activation('relu'),#激励函数转换成非线性数据Dense(10),#输出为10个单位的结果Activation('softmax')#激励函数调用softmax进行分类])#Anotherwaytodefineyouroptimizerrmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0.0)#学习率lr#Weaddmetricstogetmoreresultsyouwanttosee#激活神经网络model.compile(optimizer=rmsprop,#加速神经网络loss='categorical_crossentropy',#损失函数metrics=['accuracy'],#计算误差或准确率)#------------------------------训练及预测------------------------------print("Training")model.fit(X_train,y_train,nb_epoch=2,batch_size=32)#训练次数及每批训练大小print("Testing")loss,accuracy=model.evaluate(X_test,y_test)print("loss:",loss)print("accuracy:",accuracy)运行代码，首先会下载MNIT数据集。
UsingTensorFlowbackend.Downloadingdatafromhttps://s3.amazonaws.com/img-datasets/mnist.npz11493376/11490434[==============================]-18s2us/step
接着输出两次训练的结果，可以看到误差不断减小、正确率不断增大。最终测试输出的误差loss为“0.185575”，正确率为“0.94690”。
如果读者想更直观地查看我们数字分类的图形，可以定义函数并显示。
此时的完整代码如下所示：
#-*-coding:utf-8-*-"""CreatedonFriFeb1416:43:212020@author:EastmountCSDNYXZO(∩_∩)OWuhanFighting!!!"""importnumpyasnpfromkeras.datasetsimportmnistfromkeras.utilsimportnp_utilsfromkeras.modelsimportSequentialfromkeras.layersimportDense,Activationfromkeras.optimizersimportRMSpropimportmatplotlib.pyplotaspltfromPILimportImage#---------------------------载入数据及预处理---------------------------#下载MNIST数据#Xshape(60000,28*28)yshape(10000,)(X_train,y_train),(X_test,y_test)=mnist.load_data()#------------------------------显示图片------------------------------defshow_mnist(train_image,train_labels):n=6m=6fig=plt.figure()foriinrange(n):forjinrange(m):plt.subplot(n,m,i*n+j+1)index=i*n+j#当前图片的标号img_array=train_image[index]img=Image.fromarray(img_array)plt.title(train_labels[index])plt.imshow(img,cmap='Greys')plt.show()show_mnist(X_train,y_train)#数据预处理X_train=X_train.reshape(X_train.shape[0],-1)/255#normalizeX_test=X_test.reshape(X_test.shape[0],-1)/255#normalize#将类向量转化为类矩阵数字5转换为0000010000矩阵y_train=np_utils.to_categorical(y_train,num_classes=10)y_test=np_utils.to_categorical(y_test,num_classes=10)#---------------------------创建神经网络层---------------------------#Anotherwaytobuildyourneuralnetmodel=Sequential([Dense(32,input_dim=784),#输入值784(28*28)=>输出值32Activation('relu'),#激励函数转换成非线性数据Dense(10),#输出为10个单位的结果Activation('softmax')#激励函数调用softmax进行分类])#Anotherwaytodefineyouroptimizerrmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0.0)#学习率lr#Weaddmetricstogetmoreresultsyouwanttosee#激活神经网络model.compile(optimizer=rmsprop,#加速神经网络loss='categorical_crossentropy',#损失函数metrics=['accuracy'],#计算误差或准确率)#------------------------------训练及预测------------------------------print("Training")model.fit(X_train,y_train,nb_epoch=2,batch_size=32)#训练次数及每批训练大小print("Testing")loss,accuracy=model.evaluate(X_test,y_test)print("loss:",loss)print("accuracy:",accuracy)本文分享自华为云社区，作者：eastmount 。