数据预处理完毕得到了网络训练和测试的数据集以后，就可以定义神经网络模型了，此处构建一个简单的多层感知器网络，相应代码如下：
#通过Sequential序列模型实现多个网络层layer的线性堆叠
from keras. models import Sequential
from keras. layers import Dense#引入密集连接的全连接层
model=Sequential（）
#定义输入层、隐含层，输入层节点数784，隐含层节点数256，均采用relu激活函数
model. add（Dense（units=256，input_dim=784，kernel_initializer=＇normal'，activation=＇relu'））
#定义输出层，采用softmax激活函数(www.xing528.com)
model. add（Dense（units=10，kernel_initializer=＇normal'，activation=＇softmax'））
#对训练模型的损失函数、优化器、监控指标等参数进行设置
model. compile（loss=＇categorical_crossentropy'，optimizer=＇adam'，metrics=[＇accuracy']）
上面代码构建的网络包括输入层、隐含层和输出层共三层，采用了Keras的序列模型Sequential（）方式进行搭建，这种方式可以看作多个网络层的顺序堆叠。在定义的网络结构中，输入层有784个节点，隐含层有256个节点，输出层有10个节点，输出层的10个节点代表10个数字的识别结果，它将返回一个由10个和为1的概率值组成的数组。每个概率值代表当前数字图像属于0～9这10个数字中某一个的概率。代码中最后一行中是编译步骤，其中loss参数表明选择的损失函数，这里为分类交叉熵损失函数；metrics表示如何衡量网络预测效果，accurary代表预测准确率；optimizer对应参数优化方法，除了列出的adam之外，还有SGD、Mo-mentum、AdaGrad等优化方法。
定义好网络模型后，可以通过model.summary（）函数直观地看到网络结构及参数数量，如图4-21所示。
图4-21 网络结构图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
