MNIST训练数字识别-Keras

最新推荐文章于 2021-05-10 21:19:38 发布

wuxiaosi808

最新推荐文章于 2021-05-10 21:19:38 发布

阅读量207

点赞数

分类专栏：机器学习深度学习

本文链接：https://blog.youkuaiyun.com/wuxiaosi808/article/details/91981466

版权

机器学习同时被 2 个专栏收录

72 篇文章

订阅专栏

深度学习

6 篇文章

订阅专栏

本文介绍了一种使用卷积神经网络（CNN）进行MNIST手写数字识别的方法。通过构建深度网络，包括卷积层、最大池化层、Dropout层及全连接层，实现对手写数字的有效识别。模型在训练集上进行训练，并在测试集上达到较高的准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

端到端的MNIST训练数字识别

# -*- coding:utf-8 -*-
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten
from keras.layers.convolutional import Conv2D,MaxPooling2D

#读入数据
(X_train,y_train),(X_test,y_test) = mnist.load_data()
# print(X_train[0].shape)
# print(y_train[0])

X_train =X_train.reshape(X_train.shape[0],28,28,1).astype('float32')
X_test = X_test.reshape(X_test.shape[0],28,28,1).astype('float32')
X_train/=255
X_test/=255
#输入层需要10个节点，最好把最好的目标数字0-9做成OneHot编码
def tran_y(y):
    y_ohe = np.zeros(10)
    y_ohe[y] = 1
    return y_ohe

#标签用onehot编码重新表示一下
y_train_ohe = np.array([tran_y(y_train[i]) for i in range(len(y_train))])
y_test_ohe = np.array([tran_y(y_test[i]) for i in range(len(y_test))])

#搭建卷积神经网络
model = Sequential()

#添加一层卷积层，构建64个过滤器，每个过滤器覆盖范围是3*3*1.过滤器步长为1，
# padding为0，并用relu进行非线性变换
model.add(Conv2D(filters=64,kernel_size=(3,3),strides=(1,1),
padding = 'same',input_shape=(28,28,1),activation='relu'))

#添加一层最大池化Max Pooling，在2*2格子中取最大值
model.add(MaxPooling2D(pool_size=(2,2)))

#设立Dropout层，将dropout的概率设为0.5，
model.add(Dropout(0.5))
#重复构造，搭建深度网络
model.add(Conv2D(128,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.5))
model.add(Conv2D(256,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.5))

#把当前节点展平
model.add(Flatten())
#构造全连接神经网络层
model.add(Dense(128,activation='relu'))
model.add(Dense(64,activation='relu'))
model.add(Dense(32,activation='relu'))
model.add(Dense(10,activation='softmax'))

#定义损失函数，一般分类问题的损失函数都选择采用交叉熵
model.compile(loss='categorical_crossentropy',optimizer='adagrad',metrics=['accuracy'])
#批量放入样本，进行训练
model.fit(X_train,y_train_ohe,validation_data=(X_test,y_test_ohe),epochs=20,batch_size=128)

#在测试集上评价模型的准确度
scroes = model.evaluate(X_test,y_test_ohe,verbose=0)
print(scroes)