创建深度学习模型

我们的神经网络模型将由线性堆叠的层组成。为了定义这样的模型，我们调用Sequential函数 -

model = Sequential()

输入层

我们使用以下程序语句定义输入层，它是我们网络中的第一层 -

model.add(Dense(512, input_shape=(784,)))

这将创建一个具有512个节点（神经元）和784个输入节点的层。如下图所示 -

请注意，所有输入节点都完全连接到第1层，即每个输入节点都连接到第1层的全部512个节点。

接下来，我们需要为第1层的输出添加激活函数。我们将使用ReLU作为我们的激活函数。激活函数使用以下程序语句添加 -

model.add(Activation('relu'))

接下来，我们使用下面的语句添加20%的Dropout。Dropout是一种用于防止模型过拟合的技术。

model.add(Dropout(0.2))

此时，我们的输入层已完全定义。接下来，我们将添加一个隐藏层。

隐藏层

我们的隐藏层将包含512个节点。隐藏层的输入来自我们先前定义的输入层。所有节点都像前面一样完全连接。隐藏层的输出将传递到网络中的下一层，这将是我们的最终输出层。我们将使用与上一层相同的ReLU激活函数和20%的Dropout。添加此层的代码如下 -

model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))

此阶段的网络可以可视化如下 -

接下来，我们将向网络添加最后一层，即输出层。请注意，您可以使用类似于此处使用的代码添加任意数量的隐藏层。添加更多层会使网络训练变得复杂；但是，在许多情况下（尽管并非所有情况）都能带来更好的结果的显著优势。

输出层

输出层仅包含10个节点，因为我们要将给定的图像分类为10个不同的数字。我们使用以下语句添加此层 -

model.add(Dense(10))

由于我们要将输出分类为10个不同的单元，因此我们使用softmax激活函数。对于ReLU，输出是二元的。我们使用以下语句添加激活函数 -

model.add(Activation('softmax'))

此时，我们的网络可以可视化如下 -

此时，我们的网络模型已在软件中完全定义。运行代码单元，如果没有错误，您将在屏幕上看到确认消息，如下图所示 -

接下来，我们需要编译模型。