本文是针对有一定深度学习基础的初学者，通过keras库实现LeNet模型对MNIST手写数字进行分类。首先介绍LeNet论文，接着展示如何加载和预处理MNIST数据，包括将标签转换为one-hot编码。接着构建模型，重点解释Conv2D层的设置，包括数据格式和填充方式。最后，配置损失函数、优化器，并进行训练。完整代码可在GitHub找到，作者将持续更新关于参数调整的影响。
本系列文章适合有深度学习基础（上过课，看得懂代码，但是想自己上手觉得困难的初学者）
首先上LeNet论文：
===Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. (1998).
Gradient-based Learning applied to document recognition.
Proceedings of the IEEE, 86(11), 2278–2324.===========
首先我们从导入数据集观察它可以干什么开始
import keras
from keras.datasets import mnist
print(dir(mnist))结果显示：
然后我们可以看到我们可以操作的几个基本的功能：'absolute_import', 'division', 'get_file', 'load_data', 'np', 'print_function'
这里我们用得着加载数据：load_data
这个函数的返回值如下：
所以为了好操作 ，我们弄四个数组接住这些数值：
(x_train, y_train), (x_test, y_test)=mnist.load_data()这时候我们得注意这些数据的形态可以导入numpy（np.shape（））查看：
| 数组名 | 形态 |
| x_train | (60000, 28, 28) |
| y_train | (60000, 28, 28) |
| x_test | (10000, 28, 28) |
| y_test | (10000,) |
60000张训练数据，28*28的图像，0，1表示像素点，把它想成黑像素和白像素（对这个理解不能的同学可以去搜搜mnist可视化的文章这里就不介绍了）
然后我们可以开始写模型了。
我们现在的标签是1，2，6，3，5这样的我们需要把它变成onehot模式：
keras有提供好的keras.utils.to_categorical 所以这里就直接用它了，里面有两个参数，一个是导入的label数据，一个是标签的种类总个数。
classNumber=len(set(y_test))
Y_train = keras.utils.to_categorical(y_train,classNumber)
Y_test = keras.utils.to_categorical(y_test ,classNumber)set是个列表的去重函数，去重后的列表长度就是标签的总数，放进classNumber里。
我们看第一层是二维卷积层，也就是keras的layers里的Conv2D：
keras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)这里要注意你的训练数据图像格式是颜色信息在后还是在前data_format='channels_first'还是data_format='channels_last'
第一层的input_shape需要指定传进图像的规格（长，宽，颜色通道数）或者（颜色通道数，长，宽）：我们取得的数据是（n,28,28）的单色通道数据 所以在最后加一维度比较方便我们把input_shape设置成（28，28，1）这时候我们可能会意识到我们得去调整下我们的训练数据，查看文档官方要求的卷积层输入是(batch_size, rows, cols, channels)或者(batch_size, channels, rows, cols)把大家末尾加一维：
X_train = x_train.reshape(x_train.shape + (1,))
X_test = x_test.reshape(x_test.shape + (1,))把这个放到标签数据处理的后面，这个时候我们可以看到我们的数据是：
| 参数名 | 格式 |
| X_train | (60000,28,28,1) |
| X_test | (10000,28,28,1) |
| Y_train | (60000,10) |
| Y_test | (10000,10) |
好的看到第一个傲娇的卷积层的设置需求被吓到去整理训练数据的我们可以开始继续搭建模型啦！！别忘了先告诉keras你要开始搭建模型啦，让他给你一个装模型的通道：
model = Sequential()然后你就可以搭建你的模型啦！model.add(Conv2D(6, kernel_size=(5, 5), strides=(1, 1), padding='same', activation='tanh', input_shape=input_shape))
model.add(AveragePooling2D((2, 2), strides=(2, 2)))
model.add(Conv2D(16, kernel_size=(5, 5), strides=(1, 1), padding='valid', activation='tanh'))
model.add(AveragePooling2D((2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(120, activation='tanh'))
model.add(Dense(84, activation='tanh'))
model.add(Dense(classNumber, activation='softmax'))关于padding是什么 就是，你的图如果不在最外层填上一层0，因为在卷积的时候你设置的strides这些会给整个过程带来影响，推荐一篇博客：https://medium.com/@ayeshmanthaperera/what-is-padding-in-cnns-71b21fb0dd7
然后设置损失函数和optimizer
model.compile(
loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adam(),
metrics=['accuracy']
)然后设定一次训练的批量 batch_size 和训练次数epochs你就可以去fit你的data了：
epochs = 300
batch_size = 200
model.fit(x=X_train,y=Y_train, epochs=epochs, batch_size=batch_size, validation_data=(X_test, Y_test), verbose=1) 总结：
import keras
from keras.datasets import mnist
from keras import Sequential
from keras.layers import AveragePooling2D
from keras.layers import Conv2D
from keras.layers import Flatten
from keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np
(x_train, y_train), (x_test, y_test)=mnist.load_data()
classNumber=len(set(y_test))
Y_train = keras.utils.to_categorical(y_train,classNumber)
Y_test = keras.utils.to_categorical(y_test ,classNumber)
X_train = x_train.reshape(x_train.shape + (1,))
X_test = x_test.reshape(x_test.shape + (1,))
input_shape =(28,28,1)
model = Sequential()
model.add(Conv2D(6, kernel_size=(5, 5), strides=(1, 1), padding='same', activation='tanh', input_shape=input_shape))
model.add(AveragePooling2D((2, 2), strides=(2, 2)))
model.add(Conv2D(16, kernel_size=(5, 5), strides=(1, 1), padding='valid', activation='tanh'))
model.add(AveragePooling2D((2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(120, activation='tanh'))
model.add(Dense(84, activation='tanh'))
model.add(Dense(classNumber, activation='softmax'))
model.compile(
loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adam(),
metrics=['accuracy']
)
epochs = 300
batch_size = 1000
history=model.fit(x=X_train,y=Y_train, epochs=epochs, batch_size=batch_size, validation_data=(X_test, Y_test), verbose=1) Github:https://github.com/timcanby/Kares__StudyNotes/blob/master/20191219.py
抱走代码的同时给小星星的是好少年！！
接下来的更新我会详细写改一些什么样的参数会造成怎样的结果～～（全文原创未经允许严谨未注明出处的转载）
扫一扫
1170
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
