【从传统方法到深度学习】图像分类

浅唱书令

已于 2023-06-01 10:27:10 修改

阅读量136

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能文章标签：深度学习分类 python 机器学习人工智能

于 2017-06-17 15:52:00 首次发布

本文链接：https://blog.youkuaiyun.com/keyboardlabourer/article/details/130980449

人工智能专栏收录该内容

51 篇文章 ¥29.90 ¥99.00

订阅专栏

这篇博客探讨了图像分类问题，特别是在MNIST手写数字识别上的应用。从传统的kNN方法到多层感知器MLP，再到深度学习的CNN模型（如LeNet-5），对比了它们的准确率。kNN方法达到96.927%的准确率，MLP约为98.530%，而LeNet-5通过CNN的特性提取实现了更高精度。

1. 问题

Kaggle上有一个图像分类比赛Digit Recognizer，数据集是大名鼎鼎的MNIST——图片是已分割 (image segmented)过的28*28的灰度图，手写数字部分对应的是0~255的灰度值，背景部分为0。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train[0] # .shape = 28*28
"""
[[  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 ...
 [  0   0   0   0   0   0   0   0   0   0   0   0   3  18  18  18 126 136
  175  26 166 255 247 127   0   0   0   0]
 [  0   0   0   0   0   0   0   0  30

了解本专栏