实战keras搭建CNN实现MNIST手写数字识别

原创

已于 2023-12-15 10:46:59 修改 · 796 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #keras #cnn #神经网络 #深度学习

于 2023-04-25 14:43:03 首次发布

该代码示例展示了如何使用TensorFlow库和KerasAPI来构建和训练一个卷积神经网络(CNN)，用于识别MNIST数据集的手写数字。首先，数据被加载并进行了归一化和随机排序。接着，构建了一个包含多个卷积层、池化层和全连接层的CNN模型，并使用了ReLU激活函数和Softmax层。模型经过编译后，使用Adam优化器和交叉熵损失函数进行训练。在训练过程中，观察了训练集和验证集的准确率与损失。最后，模型被保存以便后续使用。

1、准备数据

import tensorflow as tf
import numpy as np
from keras import datasets, layers, models
import matplotlib.pyplot as plt

#任务目标：实现手写数字识别
#数据集：MNIST手写数字数据集


#两种加载方法
# 加载本地MNIST数据集
data= np.load('/Users/code/MNIST_data/mnist.npz', allow_pickle=True)
x_train, y_train = data['x_train'], data['y_train']
x_test, y_test = data['x_test'], data['y_test']
# 下载MNIST手写数字数据集,使用TensorFlow内置的datasets.mnist.load_data()函数
data = datasets.mnist.load_data()
x_train, y_train = data['x_train'], data['y_train']
x_test, y_test = data['x_test'], data['y_test']


# 归一化像素值到0~1之间
x_train = x_train.astype('float32') / 255.  
x_test = x_test.astype('float32') / 255.  

#随机排序
perm = np.random.permutation(x_train.shape[0])  
x_train = x_train[perm]    
y_train = y_train[perm]

# 对label进行one-hot编码 
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)