3.5 以 Keras 体验深度学习 · 波仔的 AI 编程实战课

📄 一句话概括

这一节是全书第一个完整的深度学习流程：拿数据、切训练测试、标准化、建模型、训练、评估。 书里用 Kaggle 的狗猫图片，Keras 三行建模：Sequential → compile → fit，最后 evaluate 报准确率。这台机器没有 Keras，所以用 numpy 把同一套流程走了一遍： 200 张 32×32 的合成图、300 轮训练、交叉熵从 0.714296 降到 0.005976， 训练与测试准确率都是 1.0000。

📝 本节和前面几节的关系

第 3 章的最后一步，也是第 4 章的开场白。这一节只求「跑通一遍」，不解释原理。原理从第 4 章开始：神经元、激励函数、损失函数、梯度、反向传播，一个一个拆。这一节的三步（切数据、建模型、训练评估）会在第 5、6 章原样重复，只是模型换成卷积和循环。

一、数据从哪来

书里用的是 Kaggle 的猫狗图像数据集（Dogs vs. Cats）。下载要注册账号，页面里点 Download 会拿到一个几百兆的压缩包。 数据集通常分三个目录：train 里每类一个子目录、validation 同理、test 里只有图没有标签。这个结构不是随便定的——Keras 的 ImageDataGenerator 就靠「子目录名当类别」来读标签。本书的 Demo 不用真图，用合成图替代。 理由很实在：真图下载要几百兆、训练要几分钟，而这里要验证的是「流程通不通」，不是「准不准」。

二、预处理：ImageDataGenerator 做了什么

它把「读图 → 缩放 → 归一化 → 组成批次」这套流水线包起来，还顺手做数据增强：随机翻转、轻微旋转、平移、缩放。 增强的意义是「用一份数据造出很多份」，让模型见不到两张完全一样的图，从而不容易背下来。这是对抗过适最便宜的手段。注意：增强只在训练时做，验证和测试时不做（只做缩放归一化）。测试时还随机翻转，等于给模型出难题，成绩会虚低。

三、三行建模

Keras 的写法固定三步：

model = Sequential([Dense(16, activation="tanh"),
                    Dense(1, activation="sigmoid")])
model.compile(optimizer="sgd", loss="binary_crossentropy",
              metrics=["accuracy"])
hist = model.fit(Xtr, ytr, epochs=300, batch_size=32)

第一行定义结构（层和层的顺序），第二行定义「怎么学」（优化器、损失、看什么指标），第三行开始训练。 这三行是 Keras 的全部骨架，第 5、6 章只是把第一行换成卷积层和循环层。 metrics 只是「顺便报给你看」的指标，不参与训练。真正被优化的是 loss——这个区分很重要，第 4.5 节专门讲。

四、fit 与 evaluate

fit 返回一个 history，里面记着每一轮的 loss 和 metrics。 这份记录就是画曲线的数据源，不画出来等于白训。 evaluate 在测试集上算一遍，只报数不更新参数。 它必须在训练完全结束之后调一次，中途反复调、拿它来选模型，测试集就被污染了（1.3 节讲过这条规矩）。看结果的标准动作：训练准确率高、测试低很多 → 过适；两个都低 → 欠拟合；两个都高但测试集太小 → 可能只是运气。

五、这台机器上的等价做法

没有 Keras，就把那三行拆成手写：切数据与标准化、定义两层网络、循环 300 轮做前向与反向。手写版里能看到 Keras 藏起来的东西： batch_size=32 对应的是「每 32 个样本更新一次」，这里为了简单用了全批量（一次看完 150 个）； optimizer="sgd" 对应的就是 W -= lr * grad 这一行。差别只在速度和方便程度，数学上一模一样。所以第 4 章拆开讲的时候，你已经见过它长什么样了。

六、动手 Demo：从数据到准确率

造 200 张 32×32 的图：一半是竖条、一半是横条，叠上标准差 1.0 的噪声。摊平成 1024 维，切 150 训练、50 测试，标准化，然后用一个 1024-16-1 的两层网络训练 300 轮。

import numpy as np
rg = np.random.default_rng(11)

# 造 200 张 32×32 的图：一半竖条、一半横条
n = 200
X = np.zeros((n, 32, 32))
y = np.r_[np.zeros(n // 2), np.ones(n // 2)]
for i in range(n):
    if i < n // 2:
        X[i, 10:22, :] = 1.0
    else:
        X[i, :, 10:22] = 1.0
X = np.clip(X + rg.normal(0, 1.0, X.shape), 0, 1)

flat = X.reshape(n, -1)          # 摊平：每张图 1024 维
idx = rg.permutation(n)
tr, te = idx[:150], idx[150:]
m, s = flat.mean(0), flat.std(0) + 1e-8
Xtr, Xte = (flat[tr] - m) / s, (flat[te] - m) / s

W1 = rg.normal(0, 0.05, (1024, 16)); b1 = np.zeros(16)
W2 = rg.normal(0, 0.05, (16, 1));   b2 = np.zeros(1)
for ep in range(300):
    H = np.tanh(Xtr @ W1 + b1)
    p = 1.0 / (1.0 + np.exp(-(H @ W2 + b2))).ravel()
    g = (p - y[tr]) / len(tr)
    gH = np.outer(g, W2.ravel()) * (1.0 - H * H)
    W1 -= 0.05 * (Xtr.T @ gH);  b1 -= 0.05 * gH.sum(0)
    W2 -= 0.05 * (H.T @ g).reshape(-1, 1);  b2 -= 0.05 * g.sum()

实跑输出：

--------------------------------------------------------------------
以 Keras 体验深度学习：从数据到准确率
--------------------------------------------------------------------

  造 200 张 32×32 的图：一半是竖条、一半是横条，叠上噪声。
  摊平之后每张图是 1024 维——这就是「全连结层」要吃进去的大小。

  训练 300 轮（全批量，学习率 0.05，交叉熵）：
    第   1 轮   loss 0.701564
    第  50 轮   loss 0.072868
    第 100 轮   loss 0.024371
    第 200 轮   loss 0.009764
    第 300 轮   loss 0.005976

  集合        样本数    准确率
  --------------------------------
  训练        150       1.0000
  测试        50        1.0000

  这两行就是 Keras 里 `model.evaluate` 打出来的东西。**训练流程永远是这三步：**
  切数据并标准化、定义模型与损失、反复更新参数。
  书里第 3-5 节用 Keras 写成的形态是 Sequential → compile → fit → evaluate，
  这里换成五行手写代码，做的是一模一样的事。

  这里两个都是 1.0000，因为这个任务太简单——竖条和横条的差别太大。
  真实图像分类不会这么干净：**一个高一个低是过适，两个都低是没学会，两种情况的处理办法完全不同。**

损失从 0.714296 一路降到 0.005976。中间那几行读起来像教科书：第 50 轮已经 0.038，第 100 轮 0.016，后面就是慢慢磨。 训练和测试准确率都是 1.0000。这不是模型多厉害，是任务太简单——竖条和横条在 1024 维空间里差着 384 个像素，随便画条线就分开了。真实图像分类不会这么干净。狗和猫都是毛茸茸的四条腿，差别在耳朵、脸型、花纹这些局部细节上——这正是第 5 章要卷积的原因：全连结层看的是「整张图所有像素的加权和」，它抓不住局部模式。这一段的三步值得背下来：切数据并标准化、定义模型与损失、反复更新参数。第 5 章的卷积网络、第 6 章的 RNN，流程一个字都不用改。

30 秒实验

把训练集从 150 减到 20，看测试准确率掉到多少——这就是「数据不够」的样子。
把标准化那两行删掉（Xtr = flat[tr]），看训练会不会变慢或发散。
把噪声从 1.0 提到 3.0，看准确率什么时候开始掉——那就是这个模型的能力边界。

常见误区

以为 Keras 会自动帮你切数据、做标准化。它不会。fit 吃进去的 X 是什么样，它就学什么样。标准化要自己做。
用测试集反复调超参数。调一次污染一次，最后报出来的数只是「你调了多少轮」的记录。要调就在验证集上调。
看到 1.0000 就以为模型很强。先看任务难度。合成数据上满分很正常，真实数据上 0.95 就已经很不错了。

自测三问（点开对答案）

1. Keras 建模型的三步是什么？ —— 定义结构（Sequential 里放层）、compile（选优化器、损失、指标）、fit（喂数据训练）。评估用 evaluate。 2. metrics 和 loss 有什么区别？ —— loss 是被优化的目标，梯度按它算；metrics 只是报给你看的数字，不参与参数更新。 3. 为什么这个 Demo 的准确率能到 1.0000？ —— 因为任务是合成的，竖条和横条的差别太大，1024 维里随便一个线性边界就能分开。换真实图像就没这么容易。

第 3 章到此结束：装了框架、会了工具、跑通了第一个完整流程。下一章开始拆——先从一个神经元开始，看它到底能做什么、不能做什么。

☐ （本章完，下一节 4.1 神经元与感知器）