本文主要記錄適用keras的mlp神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)字識別模型，提取層隱含層的參數(shù)。然后直接用這些參數(shù)來計算，預(yù)測一張數(shù)字圖片。
首先看計算過程，輸入是一張數(shù)字圖片。27 ＊ 19的灰度圖。由于mlp模型是全連接的。這里我們直接把輸入展開成一個1 ＊ 513的向量。分別用輸入矩陣乘以訓(xùn)練出來的參數(shù)矩陣。

gongsi.png

用于訓(xùn)練的mlp模型非常簡單就幾行代碼,三個隱含層一個激活層

model = Sequential()
model.add(Dense(513, 128))
model.add(Dense(128, 32))
model.add(Dense(32, 10))
model.add(Activation('softmax'))

訓(xùn)練完的模型包含兩個文件。一個是模型，一個是參數(shù)。
首先直接加載模型

model = keras.models.model_from_json(open('my_model_json_str.json').read())
model.load_weights('my_model_weights.h5')

獲取模型中的model.layers
debug模式下可以看到，加載出來的layers就是剛才訓(xùn)練的時候添加的三個隱含層一個激活層：

layers.png

下一步提取每一步的參數(shù)：

for layer in model.layers:
    weights = layer.get_weights()

因為這個層次比較少，自己也知道有多少層。直接可以這么拿

weight1 = layers[0].get_weights() #包含一個513 ＊ 128的矩陣，和一個1 ＊ 128的向量         
weight2 = layers[1].get_weights() #包含一個128 ＊ 32的矩陣，和一個1 ＊ 32的向量         
weight3 = layers[2].get_weights() #包含一個32 ＊ 10的矩陣，和一個1 ＊ 10的向量         

debug模式下，可以看到每個weight實際上有兩個元素
一個是矩陣，另一個是一個一維向量。也就是最上面那個公式中的W和b。

weight1.png

weight2.png

weight3.png

下面直接用輸入圖片（1 ＊ 513），乘以weight1+b1的到的結(jié)果（1 ＊ 128的矩陣），把這個結(jié)果再乘以第二層weight2+b2，得到的結(jié)果（1 ＊ 32的矩陣）再乘以第三層weight3+b3
得到的結(jié)果即逝最終預(yù)測結(jié)果的向量（1 ＊ 10）。

re1 = np.dot(image,weight11)+weight1[1]
re2 = np.dot(re1,weight21)+weight2[1]
re3 = np.dot(re2,weight31)+weight3[1]

debug模式下查看re3的值：

yuce0.png

十個元素中最大的是第0個，6021。也就是說用這個模型預(yù)測的結(jié)果是0.
實際上用keras自帶的預(yù)測函數(shù)預(yù)測，得到的最終結(jié)果也是一致的。只是它的結(jié)果做了歸一化處理。

modelpredict.png

到這一步，keras訓(xùn)練模型遷移至c++ 或者是java application基本上已經(jīng)算是完成了一大半，下面就是搬磚活了