Keras深度学习入门实战：MNIST手写数字识别全流程与常见坑解析

第一次接触深度学习实验课的人，很多不是倒在数学公式上，而是倒在"环境装好了但模型跑不起来"和"模型跑起来了但准确率很诡异"这两堵墙上。实验四"Keras基础与简单应用"听起来简单，但真正做起来，几乎每一步都有隐藏的小坑：库装错版本、数据没归一化、标签没用one-hot、训练了好几轮损失纹丝不动。这篇文章就把这个实验从头到尾拆开讲一遍，不只是给可以直接抄的代码，更会解释每一行代码背后的原理，以及那些教材不会写、但实际做的时候几乎每个人都会踩的坑。

内容适合两类人：一类是刚学完深度学习基础理论、准备第一次动手写代码的同学；另一类是已经把模型跑通、但想回头弄明白"为什么这么写"的人。我会按一条完整做实验的路来组织：先讲为什么选Keras，再讲环境准备，然后是MNIST数据集的加载、预处理、模型训练、评估，最后把常见问题和延伸玩法一起端上来。

1. 为什么实验课选Keras而不是直接上PyTorch

1.1 实验课的真正目标：先建立"模型=数据流"的直觉

实验课选什么框架，不是看哪个框架在业界更流行，而是看这节课要教会你什么。深度学习入门阶段，核心目标是理解"数据经过一层层计算变成预测结果，然后用损失函数的梯度反向更新参数"这个过程。Keras的最大优势，就是把这套直觉直接翻译成了近乎白话的代码。你写的每一层，就是数据流图上的一个节点，模型的编译和训练过程与理论课讲的概念一一对应，基本没有中间翻译层。

PyTorch当然也是很优秀的框架，但它给了太多控制权：你需要自己写训练循环、自己管理梯度、自己处理设备调度。这些能力对做研究的人来说是必须的，但对第一次接触深度学习的人就是额外认知负担。不是说学不会，而是没有必要在第一节课同时学"深度学习概念"和"灵活框架的复杂用法"这两件事。Keras则把大部分细节封装掉了，让你把注意力集中在数据、网络结构、损失函数、训练结果这些核心概念上。

另外，实验四的场景是"简单应用"，课题本身就很适合Keras这种高层API。比如最常见的分类任务，模型定义可以浓缩成几行：

from tensorflow import keras model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation="relu"), keras.layers.Dense(10, activation="softmax") ])

就算完全没看过文档，也能大概猜出来：把28×28的图像拉平，接一个128个神经元的全连接层，最后输出10个类别的概率。这种可读性是入门阶段非常难得的东西。如果换用需要手写矩阵乘法、手动定义前向传播的写法，很容易把新手绕晕在实现细节里，反而忘了自己在学什么。

1.2 几个框架在实验场景里的真实对比

我经常在实验课上遇到同学问："到底该学Keras还是PyTorch？"我的回答一直是：先搞清楚你现在处在哪个阶段。下面这个表格是我个人体会的总结，不是标准答案，但参考价值很直观。

还有一点需要说清楚：现在使用Keras，绝大多数情况是从TensorFlow引入的，就是from tensorflow import keras。Keras本身也可以独立安装，但实验场景里我建议直接用TensorFlow自带的版本，原因很简单：少一个版本兼容维度，少很多莫名其妙的报错。这种选型思路本身就是工程经验的一部分——能用默认方案跑通，就不额外引入变量。

2. 环境搭建的隐藏难点：版本匹配与第一个能跑的模型

2.1 一套稳妥的环境准备步骤

实验的第一道坎不是模型，是环境。我见过太多人在这一步卡了一晚上，最后发现只是某个库版本不对。下面这套步骤是我反复验证过、对新手最稳妥的流程，建议按顺序操作。

1. 用Conda创建独立环境。不建议直接在base环境里装，因为后面还要做其他实验，依赖很容易互相打架。

conda create -n dl-lab python=3.9 conda activate dl-lab

2. 安装TensorFlow。没有NVIDIA显卡的机器，直接装CPU版本就够了，MNIST这种数据集在CPU上训练，每个epoch也就几十秒到几分钟，完全不是瓶颈。即使有显卡，第一次做实验也用CPU版更省心，因为少一个CUDA版本匹配的变量。

pip install tensorflow

3. 验证环境是否能用。

import tensorflow as tf from tensorflow import keras print(tf.__version__) print(keras.__version__)

4. 跑一个最小的训练循环，确认训练流程没有硬件或底层库的问题。

import numpy as np model = keras.Sequential([ keras.layers.Dense(4, activation="relu"), keras.layers.Dense(1) ]) model.compile(optimizer="adam", loss="mse") x = np.random.rand(16, 8).astype("float32") y = np.random.rand(16, 1).astype("float32") model.fit(x, y, epochs=2)

这一步如果没报错，说明环境基本通了，可以开始正式实验。很多人跳过这个最小测试，直接跑完整项目，结果环境报错和代码报错混在一起，排查起来非常痛苦。

2.2 最容易踩的版本坑与解决办法

环境装好后，最常见的几个坑集中在版本匹配上，我把它们列出来，方便你遇到了直接对照。

第一个坑：在网上找到的很多教程是老文章，第一行写着import keras。如果你只装了TensorFlow没单独装Keras，这一行会直接报ModuleNotFoundError。这不是你的问题，是教程版本太老了。正确写法是from tensorflow import keras。如果你为了迁就旧教程单独pip install keras，又会引入独立Keras版本与TensorFlow内置版本不一致的隐患，建议不要混用。

第二个坑：numpy版本冲突。TensorFlow的某些版本与较新的numpy不兼容，导入时会报类似"module compiled using NumPy 1.x, cannot run with NumPy 2.x"的错误。这时候不用慌，把它降成兼容版本就行，比如pip install "numpy<2"。具体版本以报错提示为准，核心思路是让numpy大版本和TensorFlow预期一致。

第三个坑：找不到对应版本的wheel。这通常发生在Python版本太新的时候，比如用Python 3.12去装某些旧版TensorFlow，找不到预编译包，然后报错"Could not find a version that satisfies the requirement tensorflow"。解决办法要么换Python 3.9/3.10，要么升级TensorFlow版本。

第四个坑：数据集下载卡住。keras.datasets.mnist.load_data()会自动从外网下载数据集，网络不太好的时候会一直卡住，或者报连接错误。这个问题的解决方法是手动下载数据集，放到本地缓存目录~/.keras/datasets/下，代码会自动优先读取本地文件。下载文件的命名和目录结构需要注意，建议先从出错的机器上找到文件名，再按同样名字存放。

这些坑里的绝大多数，都可以通过"看错误栈最后一行"快速定位。环境问题一般发生在import阶段，代码问题一般发生在某个具体操作调用时。把报错信息复制到搜索框里，搜英文原样，比搜中文翻译更容易找到有效答案。

3. 手写数字识别：从数据加载到模型训练的一条完整链路

3.1 MNIST数据集的加载与本地缓存处理

MNIST就是深度学习的"Hello World"：28×28的灰度图，内容是0到9的手写数字，训练集6万张，测试集1万张。虽然现在看来这个数据集很简单，但它非常适合用来理解整个训练流程，而且Keras直接内置了加载接口，两行就能拿数据。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

拿到数据后，第一件事不是马上塞进模型，而是看一眼它的形状和取值范围。这一步看似简单，但能帮你过滤掉很大一部分后续问题。

print(x_train.shape) # (60000, 28, 28) print(y_train.shape) # (60000,) print(x_train.dtype) # uint8 print(x_train.min(), x_train.max()) # 0 255

x_train的dtype是uint8，像素值在0到255之间，y_train是整数标签，从0到9。这些信息都记住，预处理部分全都要用到。如果load_data()一直卡住或者报网络错误，就回到2.2说的手动下载方案，问题是完全可以绕过的。

3.2 预处理：归一化、形状调整与one-hot编码

预处理是整个实验里最容易被轻视、但对结果影响最大的环节。很多同学模型结构抄的一模一样，准确率却差一截，问题往往就出在这里。

第一个操作是归一化。把像素值从0到255变成0到1：

x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0

为什么要归一化？因为神经网络本质上是数值计算系统，激活函数对输入范围非常敏感。如果输入是0到255的大数值，加权求和的结果很容易落到激活函数的饱和区，梯度变得很小，训练速度会明显变慢甚至停滞。把数据压缩到0到1附近后，数值计算更稳定，收敛也更快。

第二个操作是调整形状。全连接网络要求输入是一维向量，所以要把每张28×28的图像展平成784维向量。可以手动做，也可以在模型第一层放Flatten自动做。手动做的代码是：

x_train = x_train.reshape(-1, 784) x_test = x_test.reshape(-1, 784)

这里的-1表示自动推导维度，比如训练集6万张图，每张784维，reshape结果就是(60000, 784)。如果后面要用卷积网络，则要reshape成(60000, 28, 28, 1)，最后一个1是通道数，灰度图只有一个通道。

第三个操作是标签的one-hot编码。把数字7从标量变成向量[0,0,0,0,0,0,0,1,0,0]：

num_classes = 10 y_train = keras.utils.to_categorical(y_train, num_classes) y_test = keras.utils.to_categorical(y_test, num_classes)

为什么需要one-hot？因为我接下来用的损失函数是categorical_crossentropy，它期望真实标签是概率分布形式。如果保持整数标签，也可以用sparse_categorical_crossentropy，这种情况下就不用one-hot。实验课一般用前者，因为多分类交叉熵的计算方式和概率分布更直观。两种方式都能跑通，但不要混用：模型输出和标签格式不匹配的时候，loss会算出来一个很大的数，然后梯度爆炸，模型直接废掉。

3.3 模型定义、编译和训练：每一步都在干什么

模型结构继续用1.1里的Sequential定义。三层网络：一个Flatten层把图像展平，一个128神经元的Dense层用relu激活，一个10神经元的输出层用softmax激活。relu在这里的作用是给网络引入非线性，让模型能学到更复杂的决策边界；输出层的softmax把10个神经元的值变成10个类别的概率，所有概率加起来等于1，最大值对应的类别就是预测结果。

编译这一步，很多新手只知道照着抄，不知道这三个参数在做什么：

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

optimizer="adam"是优化器，负责根据梯度更新网络参数。Adam自带自适应学习率机制，对学习率不敏感，入门阶段选它基本不会出大问题，省去了手动调学习率的麻烦。loss="categorical_crossentropy"是损失函数，量化模型预测和真实标签之间的差距，训练的目标就是让这个值越来越小。metrics=["accuracy"]是评估指标，不影响训练过程，只是训练时打印出来方便你看效果。

训练循环调用fit：

history = model.fit( x_train, y_train, batch_size=32, epochs=5, validation_split=0.2 )

解释两个关键参数。batch_size=32表示每32个样本计算一次梯度并更新一次参数，不是把所有6万张图一起算。这样做的原因是显存和内存有限，且小批量更新能让训练更稳定。epochs=5表示把全部训练数据迭代5遍，每遍结束都会在验证集上计算一次损失和准确率。validation_split=0.2表示在训练集里拿出最后20%当验证集，不参与参数更新，只用于观察模型是否过拟合。

训练完成后，在真正没参与过训练的测试集上做最终评估：

test_loss, test_acc = model.evaluate(x_test, y_test) print("测试集准确率:", test_acc)

这里有个特别容易犯的错：测试集数据也要做和训练集一样的预处理流程，归一化、reshape、one-hot一个都不能少。很多人训练集上表现不错，一换测试集准确率暴跌，然后怀疑模型结构，实际上只是忘记对测试集做归一化了。原始0到255的数据扔进去，模型看到的分布完全变了，效果不可能好。

3.4 预测与可视化：让实验结果看得见

模型训完，除了看准确率数字，还可以拿几个测试样本实际预测一下，用图直观看看效果。在课程报告里，一张"手写数字图片+预测结果+真实标签"的对比图，比写一百字都有说服力。

import numpy as np import matplotlib.pyplot as plt predictions = model.predict(x_test[:5]) predicted_classes = np.argmax(predictions, axis=1) true_classes = np.argmax(y_test[:5], axis=1) for i in range(5): plt.subplot(1, 5, i + 1) plt.imshow(x_test[i].reshape(28, 28), cmap="gray") plt.title(f"pred={predicted_classes[i]} true={true_classes[i]}") plt.axis("off") plt.show()

model.predict返回每个样本每种类别的概率，np.argmax取概率最大的位置，就是模型预测的类别。这里再次印证了前面one-hot处理的重要性：因为y_test已经变成one-hot向量，所以要argmax才能还原成数字标签。

4. 训练曲线里的学问：损失不下降、过拟合与显存问题

4.1 训练损失不下降时的系统排查思路

实验里最打击人的现象之一：训练了好几个epoch，损失值纹丝不动，准确率一直低迷。很多人的第一反应是"网络不够深，加层"，但根据我的经验，绝大多数时候问题根本不在网络结构，而在数据或超参数设置上。

我建议按下面这个顺序排查：

1. 数据预处理。归一化做了吗？测试集和训练集的预处理一致吗？标签有没有配对错误？这是出现频率最高的问题。
2. 网络输出和损失函数是否匹配。多分类用softmax输出加categorical_crossentropy，二分类用sigmoid输出加binary_crossentropy，回归问题不加激活函数用mse。匹配错了，训练根本学不到东西。
3. 标签的shape和格式。如果数据是整数标签，模型输出是10维概率，但loss用的是sparse_categorical_crossentropy，一般没问题；但如果混用了categorical_crossentropy又不做one-hot，loss会直接算错。
4. 模型参数有没有在更新。看每个epoch的loss，如果完全不变，说明梯度可能是零或者太大。可以临时把学习率调大一点测试，但不要长期依赖这个调整。
5. 是不是数据量太少，模型学不到有效规律。MLP在MNIST上有几万张训练图，一般不会遇到这种情况，但如果自己造了20个样本，那模型再复杂也没用。

这个排查顺序的核心逻辑是"先数据后模型、先简单后复杂"。每一层都有对应的检查手段，逐层排除，比盲目改网络结构高效得多。

4.2 用history对象画曲线：识别过拟合的入门方法

fit函数返回的history对象，记录了训练过程中每个epoch的各项指标。不要忽略它，这是判断模型是否过拟合的最直接材料。

plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(history.history["accuracy"], label="train_acc") plt.plot(history.history["val_accuracy"], label="val_acc") plt.title("Accuracy") plt.legend() plt.subplot(1, 2, 2) plt.plot(history.history["loss"], label="train_loss") plt.plot(history.history["val_loss"], label="val_loss") plt.title("Loss") plt.legend() plt.show()

判断过拟合的方法也很直观：如果训练准确率一直上涨，但验证准确率在某轮后停滞甚至下降，同时验证损失开始回升，那就说明模型开始"背"训练集了，而不是在学通用的规律。应对过拟合的几个常用手段：

• 在Dense层后面加Dropout，比如keras.layers.Dropout(0.5)，训练时随机让一半神经元失活，强制网络学到更鲁棒的特征。
• 加L2正则化，在Dense层设置kernel_regularizer=keras.regularizers.l2(0.001)，让权重保持较小，抑制对单个特征的过度依赖。
• 使用EarlyStopping回调，监控验证损失，连续几个epoch不下降就提前停，防止浪费时间继续训练。

callbacks = [ keras.callbacks.EarlyStopping( monitor="val_loss", patience=3, restore_best_weights=True ) ] model.fit(x_train, y_train, epochs=20, validation_split=0.2, callbacks=callbacks)

这些手段在实验四里不一定都需要，因为MNIST分类任务相对简单，但理解它们是什么、怎么用，是后面做更复杂数据集的必要储备。

4.3 显存不足与CPU训练太慢的实用方案

实验课机器配置往往参差不齐。如果训练时报OOM（显存不足），最直接的办法是把batch_size调小，比如从32调到16甚至8。单次迭代的数据量小了，显存占用会明显降下来。有的同学担心batch_size变小会影响最终准确率。在MNIST这种简单任务上，影响通常很小，完全可以接受。

如果机器没有GPU、纯CPU训练，体验会慢一些。这时可以把epochs减少，或者从训练集里抽样一部分做快速验证，比如只取1万张图。代码逻辑完全不用改，只是数据量变了，先确认整个流程能通，再放开跑完整数据。训练日志也不用每行都盯着看，损失、准确率、验证损失、验证准确率这几个指标的变化趋势，比单个数字重要得多。

还有一个很多人忽略的点：训练过程的记录。我当时做实验的习惯是把每次修改的结构、参数、epoch对应的准确率记在一个小表格里。这样如果某次改动让结果变差了，可以很快回退到之前的配置，而不是陷入"乱调参数然后忘记原来是什么"的困境。

5. 实验之外：函数式API、模型保存与下一步延伸

5.1 从Sequential到函数式API：模型结构的表达能力升级

Sequential模型适合层的顺序堆叠，这是它最直观的优点，也是局限：无法表达分支、多输入、多输出这些更复杂的结构。以后看实际项目的代码，尤其是多任务模型或者带特征共享的结构，几乎都是函数式API写的。

函数式API的写法区别在于显式连接层的输入输出：

inputs = keras.Input(shape=(784,)) x = keras.layers.Dense(128, activation="relu")(inputs) outputs = keras.layers.Dense(10, activation="softmax")(x) model = keras.Model(inputs=inputs, outputs=outputs)

看起来只是写法变了，本质是把数据流图显式化：inputs作为入口，经过Dense层处理得到outputs，最后用keras.Model组装起来。理解这个模式之后，再看多输入场景，比如同时输入文本和图像做分类，就只是定义两个输入分支再合并，逻辑上是顺着的。

5.2 模型的保存与加载：让实验成果可以复用

实验做完，模型不能关电脑就没了。保存和加载都很简单：

model.save("mnist_model.keras")

之后随时可以加载回来做预测：

loaded_model = keras.models.load_model("mnist_model.keras") preds = loaded_model.predict(x_test[:10])

保存模型在实验报告里也很有用：可以对比不同网络结构保存下来的模型在同一测试集上的表现。新版推荐用.keras格式，老代码里常见的.h5也能用，但要确保运行时Keras版本支持。建议训练结束后，把测试准确率和历史训练曲线一起存到文件里，方便后面复盘。这个习惯在后续更复杂的项目里会反复受益。

5.3 下一步延伸：从全连接网络到卷积网络

实验四做完还有余力的话，最自然的下一站是卷积网络。全连接网络把整张图展平成784维向量，丢掉了像素的空间位置关系；CNN用卷积核在图上滑动，天然保留局部结构，所以准确率会有明显提升。

可以把前面的模型改成CNN结构：

model = keras.Sequential([ keras.layers.Reshape((28, 28, 1), input_shape=(784,)), keras.layers.Conv2D(32, (3, 3), activation="relu"), keras.layers.MaxPooling2D((2, 2)), keras.layers.Conv2D(64, (3, 3), activation="relu"), keras.layers.MaxPooling2D((2, 2)), keras.layers.Flatten(), keras.layers.Dense(128, activation="relu"), keras.layers.Dropout(0.5), keras.layers.Dense(10, activation="softmax") ])

注意这里第一层用Reshape把784维向量恢复成28×28×1的图片结构。如果用CNN，预处理阶段也不需要手动reshape成784，直接保持(60000, 28, 28, 1)就行。在MNIST基础分类上，CNN在不做任何数据增强的情况下，测试准确率普遍能到99%以上，这个提升会直观地让你感受到"特征提取层"的价值。

5.4 用回调函数让训练过程更省心

训练大模型的时候，不可能一直盯着终端看每个epoch的输出。回调函数是Keras里非常实用的机制，下面是我每次训练都会配置的基础组合：

callbacks = [ keras.callbacks.EarlyStopping( monitor="val_loss", patience=3, restore_best_weights=True ), keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.2, patience=2, min_lr=1e-5 ) ] model.fit(x_train, y_train, epochs=20, validation_split=0.2, callbacks=callbacks)

EarlyStopping监控验证损失，连续3轮不下降就自动停止，省时间也避免过拟合。ReduceLROnPlateau在验证损失不再下降时自动把学习率乘上0.2，帮助训练在后期更好地收敛。训练结束打印history，看曲线确认训练过程正常，再根据结果决定下一步调整方向。

我做这个实验时最大的体会是：深度学习入门阶段，真正难的往往不是网络结构，而是"数据在进入网络之前有没有处理对"。很多看起来玄学的现象，排查到最后都是预处理或者维度问题。另一个特别深的体会是实验记录的价值。我把每次改的结构、参数、每个epoch的结果都记在表格里，写实验报告、跟同学讨论、复现自己的结果都变得非常快。实验四只是第一步，但这套"搭模型-训练-看曲线-调整-记录"的流程一旦跑顺，后面学CNN、学RNN、做实际项目都会顺畅得多。