本篇内容介绍了“python中怎么使用Keras进行简单分类”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
Keras中分类的重要函数
1、np_utils.to_categorical
np_utils.to_categorical用于将标签转化为形如(nb_samples, nb_classes)的二值序列。
假设num_classes = 10。
如将[1,2,3,……4]转化成：
[[0,1,0,0,0,0,0,0]
[0,0,1,0,0,0,0,0]
[0,0,0,1,0,0,0,0]
……
[0,0,0,0,1,0,0,0]]
这样的形态。
如将Y_train转化为二值序列，可以用如下方式：
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)2、Activation
Activation是激活函数，一般在每一层的输出使用。
当我们使用Sequential模型构建函数的时候，只需要在每一层Dense后面添加Activation就可以了。
Sequential函数也支持直接在参数中完成所有层的构建，使用方法如下。
model = Sequential([ Dense(32,input_dim = 784), Activation("relu"), Dense(10), Activation("softmax") ])其中两次Activation分别使用了relu函数和softmax函数。
3、metrics=[‘accuracy’]
在model.compile中添加metrics=[‘accuracy’]表示需要计算分类精确度，具体使用方式如下：
model.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy'])全部代码
这是一个简单的仅含有一个隐含层的神经网络，用于完成手写体识别。在本例中，使用的优化器是RMSprop，具体可以使用的优化器可以参照Keras中文文档。
import numpy as npfrom keras.models import Sequentialfrom keras.layers import Dense,Activation ## 全连接层from keras.datasets import mnistfrom keras.utils import np_utilsfrom keras.optimizers import RMSprop# 获取训练集(X_train,Y_train),(X_test,Y_test) = mnist.load_data()# 首先进行标准化 X_train = X_train.reshape(X_train.shape[0],-1)/255X_test = X_test.reshape(X_test.shape[0],-1)/255# 计算categorical_crossentropy需要对分类结果进行categorical# 即需要将标签转化为形如(nb_samples, nb_classes)的二值序列Y_train = np_utils.to_categorical(Y_train,num_classes= 10)Y_test = np_utils.to_categorical(Y_test,num_classes= 10)# 构建模型model = Sequential([ Dense(32,input_dim = 784), Activation("relu"), Dense(10), Activation("softmax") ])rmsprop = RMSprop(lr = 0.001,rho = 0.9,epsilon = 1e-08,decay = 0)## compilemodel.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy'])print("\ntraining")cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32)print("\nTest")cost,accuracy = model.evaluate(X_test,Y_test)## W,b = model.layers[0].get_weights()print("accuracy:",accuracy)实验结果为：
Epoch 1/260000/60000 [==============================] - 12s 202us/step - loss: 0.3512 - acc: 0.9022Epoch 2/260000/60000 [==============================] - 11s 183us/step - loss: 0.2037 - acc: 0.9419Test10000/10000 [==============================] - 1s 108us/stepaccuracy: 0.9464“python中怎么使用Keras进行简单分类”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
