Sklearn闲谈：基于Keras实现digits数据集识别_keras digits recognition-优快云博客

本文链接：https://blog.youkuaiyun.com/npynb/article/details/105825673

本文通过使用Keras和TensorFlow构建卷积神经网络，对手写数字数据集进行识别。介绍了Sklearn和Keras的基本用法，详细展示了模型构建、训练、测试及数据可视化的全过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写在前面

近年来人工智能领域兴起，python作为一种易于学习的语言，担当起了发展该领域的主要角色。此篇博客，目的在于简要介绍keras的用法，并将它用于手写数字数据集（digits）的识别。

Sklearn介绍

关于Sklearn的介绍，我在上一篇博客中已经有所提及，简要来讲，就是应用于机器学习的常用库。

Keras介绍

Keras是一个高级神经网络API，在tensorflow库中，一般调用它来实现卷积神经网络模型的构建，以及训练等方面，初次接触卷积神经网络并打算用Python语言来学习实现，往往地最开始接触的内容就是Keras。

实验流程

导入手写数字数据集（digits）

digits中总共有四种数据：
data:存储各个图片的各个像素，是展开后的一维数组
target:存储每个图片的对应标签
target_names:记录各个标签对应的名字
images:和data数据内容一样，但是类型不同，属于二维数组。

from sklearn import datasets
digits = datasets.load_digits()
data,target,target_names,images = digits.data,digits.target,digits.target_names,digits.images

这样就将各个数据读取出来了。

print(data.shape)#确认数据集数量与大小,输出结果为(1797,64)
train_images,train_labels,test_images,test_labels = images[:1500],target[:1500],images[1500:],target[1500:]
#划分训练集和测试集

构建模型

模型的构建需要用tensorflow中的keras：

from tensorflow import keras
model = keras.Sequential([
	keras.layers.Flatten(input_shape(8,8))#这一层是将输入数据扁平化，也就是将输入的图片变成一维数组
	keras.layers.Dense(128,activation='relu')#激活函数为relu
	keras.layers.Dense(10)#输出层，最后输出结果分为10组
])

但单单构建层数还不够，如果缺少损失函数，那么容易发生过拟合现象。

model.compile(optimizer='adam',
			  loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
			  metrics=['accuracy']

这样，模型就构建完了，接下来可以将测试集放入训练模型。

训练与测试模型

和Sklearn一样，构建完毕的模型使用fit()方法进行训练

model.fit(train_images,train_labels,epochs=10)#epochs表示模型训练的次数，理论上来说，训练次数越多模型越精确，但过多的训练次数会造成性能和时间的浪费
test_loss,test_acc = model.evaluate(test_images,
									test_labels,
									verbose=2)
print('测试集识别准确度为:' % test_acc)

此时最基础的功能就完成实现了，尽管还看不到训练成果如何。

概率计算与数据可视化

probability_model = keras.Sequential([model,
									  keras.layers.Softmax()])#利用Softmax函数实现归一化
predictions = probability_model.predict(test_images)

此时就能得到对于各个图片识别的概率判断了。

import matplotlib.pyplot as plt
import numpy as np
def plot_image(j,predictions_array,true_label,img):
	plt.grid(False)
	plt.xticks([])
	plt.yticks([])
	plt.imshow(img,cmap=plt.cm.binary)
	predicted_label = np.argmax(predictions_array)#得到概率中的最大值
	if predicted_label == true_label:
		color = 'blue'
	else:
		color = 'red'
	plt.xlabel("{} {:2.0f} % ({})".format(target_names[predicted_label],
										  100*np.max(predictions[j]),
										  target_names[true_label]),color=color)

这一段函数可以实现所选择的测试集图片的出现以及概率的显示，并且会将识别错误的用红色字体表示，识别正确的用蓝色字体表示。
但这样显然依旧不够直观，虽然最终结果与概率有了，但依旧不能看到各个数字可能的概率，所以再创建另外一个函数：

def plot_value_array(predictions_array,true_label):
	plt.grid(False)
	plt.xticks(range(10))
	plt.yticks([])
	thisplot = plt.bar(range(10),predictions_array,color="#66CCFF")
	plt.ylim([0,1])
	predicted_label = np.argmax(predictions_array)
	thisplot[predicted_label].set_color('red')
	thisplot[true_label].set_color('blue')

这段函数可以实现将各个数字的概率以柱状图的形式表现出来

测试

num_row = 5
num_cols = 3
num_images = num_row*num_cols
plt.figure(figsize=(2*2*num_cols,2*num_row))
for i in range(num_images):
	j = random.randint(0,len(test_images)+1)
	plt.subplot(num_row,2*num_cols,2*i+1)
    plot_image(j,predictions[j],test_labels[j],test_images[j])
    plt.subplot(num_row,2*num_cols,2*i+2)
    plot_value_array(predictions[j],test_labels[j])
plt.tight_layout()
plt.show()

最终生成结果如下：
在这里插入图片描述

完整代码

import matplotlib.pyplot as plt
import random
from tensorflow import keras
import numpy as np
from sklearn import datasets
digits = datasets.load_digits()
data,target,target_names,images = digits.data,digits.target,digits.target_names,digits.images
#print(data.shape)
#用于确认数据集大小与数量,输出结果为(1797,64)
train_images,train_labels,test_images,test_labels = images[:1500],target[:1500],images[1500:],target[1500:]
#训练集划分1500个数据，剩余数据用于测试
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(8,8)),
    keras.layers.Dense(128,activation='relu'),
    keras.layers.Dense(10)
])
print("------模型创建完毕------")
model.compile(optimizer='adam',
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=10)
print("------模型训练完毕------")
#训练epochs次模型
test_loss,test_acc = model.evaluate(test_images,test_labels,verbose=2)
print("测试集识别准确度为:%s" % test_acc)
#测试
probability_model = keras.Sequential([model,
                                      keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
#predictions存储判断各个数字的概率
def plot_image(j,predictions_array,true_label,img):
    #predictions_array,train_labels,img = predictions_array,true_label[i],img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(img,cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'
    plt.xlabel("{} {:2.0f}% ({})".format(target_names[predicted_label],
                                       100*np.max(predictions[j]),
                                       target_names[true_label]),color=color)
def plot_value_array(predictions_array,true_label):
    plt.grid(False)
    plt.xticks(range(10))
    plt.yticks([])
    thisplot = plt.bar(range(10),predictions_array,color="#66CCFF")
    plt.ylim([0,1])
    predicted_label = np.argmax(predictions_array)
    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')
num_row = 5
num_cols = 3
num_images = num_row*num_cols
plt.figure(figsize=(2*2*num_cols,2*num_row))
for i in range(num_images):
    j = random.randint(0,len(test_images)+1)
    plt.subplot(num_row,2*num_cols,2*i+1)
    plot_image(j,predictions[j],test_labels[j],test_images[j])
    plt.subplot(num_row,2*num_cols,2*i+2)
    plot_value_array(predictions[j],test_labels[j])
plt.tight_layout()
plt.show()