eclipse撸一发Keras卷积神经网络对手写数字识别-优快云博客

一、导读

1、window10 python环境Anaconda 安装

2、keras安装

3、tensorflow安装

4、eclipse python开发插件PyDev安装，配置

5、keras卷积神经网络对手写数字识别

二、环境安装

1、Anaconda

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。功能非常齐全。

下载地址：https://www.anaconda.com/distribution/#download-section

下载安装

安装成功后，配置环境变量，打开cmd，用命令python --version查看版本号

其中，环境变量非常重要，ssl的环境变量必须配置，否则使用pip时会出现异常（pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available. ）

特别说明：安装之后，可能有些包是有问题的，例如：matplotlib和Pillow没法正常使用，会出现如下异常

  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\pyplot.py", line 32, in <module>
    import matplotlib.colorbar
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\colorbar.py", line 32, in <module>
    import matplotlib.contour as contour
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\contour.py", line 18, in <module>
    import matplotlib.font_manager as font_manager
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\font_manager.py", line 48, in <module>
    from matplotlib import afm, cbook, ft2font, rcParams, get_cachedir
ImportError: DLL load failed: 找不到指定的模块。

这时候，跟到异常的代码行，看哪些库是没有正常依赖进来的，重新安装即可。可以类推如下的操作，来进行

pip uninstall matplotlib

pip install matplotlib

pip uninstall Pillow

pip install Pillow

2、keras安装

使用如下命令安装：

pip install keras

3、安装tensorflow

由于keras本身不提供运行，它依赖于其他的运算引擎，例如TensorFlow、Theano、CNTK等，这里，我们安装TensorFlow作为keras的backend。

用如下命令安装：

Tensorflow有cpu版和gpu版

cpu版：pip install --user --ignore-installed --upgrade tensorflow

gpu版：pip install --user --ignore-installed --upgrade tensorflow-gpu

这里，安装的是cpu版，--user参数是因为有权限问题，所以加上

4、eclipse PyDev插件安装

（1）、打开eclipse，Help->Eclipse Marketplace，搜索选择PyDev，安装

（2）、配置eclipse开发环境

window->preferences->PyDev->interpreters->Python Interpreter

配置完成点确定即可，便可以在eclipse上开发python程序了，和开发java一样，非常方便。

三、Keras卷积神经网络进行mnist手写数字识别

1、先加载数据集

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

说明： mnist.load_data()如果本地没有，在会去下载数据集

打印一下x_train的shape，看看数据集有哪些东西

print(x_train.shape)

2、展示样本的图片

#将画板分为1行2列,本幅图位于第一个位置
plt.subplot(1,2,1)
# 打印两个个样本
plt.imshow(x_train[5], cmap='gray')
plt.subplot(1,2,2)
plt.imshow(x_train[10], cmap='gray')
plt.show()

3、叠一个CNN网络

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, kernel_size=(5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

和之前用dl4j叠CNN一样，《有趣的卷积神经网络》

4、完整的代码

from keras.datasets import mnist
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten
from keras.models import Sequential
from keras.utils import to_categorical

import matplotlib.pyplot as plt



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

print(x_train.shape)

#将画板分为1行2列,本幅图位于第一个位置
plt.subplot(1,2,1)
# 打印两个个样本
plt.imshow(x_train[5], cmap='gray')
plt.subplot(1,2,2)
plt.imshow(x_train[10], cmap='gray')
plt.show()

img_x, img_y = 28, 28
x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1)
x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1)

x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255


y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, kernel_size=(5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

model.fit(x_train, y_train, batch_size=128, epochs=1)

score = model.evaluate(x_test, y_test)
print('accuracy', score[1])

5、运行结果

eclipse run as Python Run，迭代1个批次的结果如下。（当然，在eclipse中也可以debug调试python程序）