（一）前 言

我们以MNIST数据集的识别为例来展示Auto-Keras的基本使用流程。

（二）MNIST数据集识别的Auto-Keras实现

（1）导入类库

from keras.datasets import mnist
from autokeras import ImageClassifier

（2）导入数据

在Keras中提供了若干个示例用的数据集，包括MNIST、CIFAR-10等，我们可以直接调用：

# 导入MNIST数据，并将其分配到训练集和测试集中
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape + (1,))
x_test = x_test.reshape(x_test.shape + (1,))

（3）创建图像分类器

使用Auto-Keras中的ImageClassifier创建一个图像分类器

clf = ImageClassifier(verbose=True)

（4）模型训练

指定训练时间，Auto-Keras会在指定时间内不断寻找最优网络，final_fit则是在找到最优模型后，再最后进行一次训练和验证

clf.fit(x_train, y_train, time_limit=12 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)

（5）模型评估

对模型进行评估，打印评估结果

y = clf.evaluate(x_test, y_test)
print(y)

（6）模型保存

导出训练好的模型

clf.load_searcher().load_best_model().produce_keras_model().save('保存位置\my_model.h5')

（7）完整代码

from keras.datasets import mnist
from autokeras import ImageClassifier

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape + (1,))
x_test = x_test.reshape(x_test.shape + (1,))

clf = ImageClassifier(verbose=True)
clf.fit(x_train, y_train, time_limit=12 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)
print(y)
clf.load_searcher().load_best_model().produce_keras_model().save(r'C:\Users\12394\PycharmProjects\Auto-keras\my_model.h5')

运行代码，显示Auto-Keras正在不断进行迭代以寻找最优网络：

（三）总 结

在这一节中我们介绍了Auto-Keras使用示例，有任何的疑问可以在评论区留言，我会尽快回复，谢谢支持！