使用一个称为compile的单个方法调用执行编译。

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

编译方法需要几个参数。 loss参数被指定为类型‘categorical_crossentropy’ 。指标参数设置为“准确性” ，最后我们使用亚当优化器来训练网络。此阶段的输出如下所示-

现在，我们准备将数据输入到我们的网络中。

加载数据中

如前所述，我们将使用Keras提供的mnist数据集。当我们将数据加载到系统中时，我们会将其拆分为训练和测试数据。通过调用load_data方法来加载数据，如下所示：

(X_train, y_train), (X_test, y_test) = mnist.load_data()

此阶段的输出如下所示：

现在，我们将学习加载的数据集的结构。

提供给我们的数据是大小为28 x 28像素的图形图像，每个图像包含0到9之间的一位数字。我们将在控制台上显示前十个图像。这样做的代码如下-

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

在10个计数的迭代循环中，我们在每次迭代中创建一个子图，并在其中显示来自X_train矢量的图像。我们从相应的y_train向量为每个图像添加标题。注意，y_train载体含有在X_train矢量对应的图像的实际值。我们通过使用null参数调用xticks和yticks这两个方法来删除x和y轴标记。运行代码时，您将看到以下输出-

接下来，我们将准备数据以将其输入到我们的网络中。