使用Keras的流程如圖7-8所示。
圖7-8 Keras使用的過程
（1）選擇模型
Keras提供序貫式模型和函數式模型兩種模型，在以下的例子中將使用序貫式模型。
（2）構建網絡層
在以下的例子中使用了卷積網絡層和丟棄層（Dropout）。
（3）編譯
編譯相當於進行搭建，可以使用model.compile（ ）函數體驗其作用。
（4）訓練
這是耗費時間的步驟，通過訓練計算出所有的網絡參數，對應的函數是model.fit（ ）。
（5）預測
這是使用模型解決問題的步驟。例如，一個用來識別花朵類型的網絡，輸入花朵圖片之後，預測出該花朵的類別。
幾乎所有智能手機都支持手寫識別，即通過手指或手寫筆在屏幕上進行書寫，然後識別出所寫的字符（圖7-9）。下麵以手寫數字識別為例講解上述流程並具體實現這個識別任務。
傳統計算機視覺方法中，識別手寫字體是通過定義特征完成的。例如，某個手寫數字帶有兩個封閉區域，就很可能是8。這樣的方法經過不斷地特征總結，準確率可以超過90%，這已經達到了可以實際應用的水平。但是當需要識別的類別變得更多的時候，例如，從10個數字增加到3 900個漢字，如果依然通過總結特征進行識別，那麽識別率的提升就需要巨大的工作量，也很難提高到可用的程度。
然而通過深度學習，手寫識別變成了一項簡單的工作。這裏的簡單是指構建過程簡單，但完成這個識別任務的整個工作並不容易，因為深度學習需要做大量的標注訓練數據的工作。對手寫數字來說，所謂的標注數據，就是通過人工標注各個手寫圖片到底是什麽數字，從而建立圖片和數字之間的映射關係（表7-1）。
圖7-9 手寫數字圖片
表7-1 圖片標注
在這個案例中，使用的數據集是深度學習經常使用的數據集MINST。這是一個手寫數字數據庫，包含60 000個訓練樣本和10 000個測試樣本，每個樣本圖像的寬高為28×28。需要注意的是，此數據集中的圖片是以二進製存儲的，不能直接以圖像格式查看，不過很容易找到將其轉換成圖像格式的工具。