神经网络--基于mnist数据集取得最高的识别准确率_mnist最高准确率

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

前言： Hello大家好，我是Dream。 今天来学习一下如何基于mnist数据集取得最高的识别准确率，本文是从零开始的，如有需要可自行跳至所需内容~

本文目录：

• • 1.调用库函数

• 2.调用数据集
• 3.选择模型，构建网络
• 4.编译
• 5.数据增强
• 6.训练
• 7.画出图像
• 8.输出
• 9.结果

• 源码获取

说明：在此试验下，我们使用的是使用tf2.x版本，在jupyter环境下完成

在本文中，我们将主要完成以下这个任务：

• 基于mnist数据集，尽量取得更好的识别准确率。注意，要使用非训练集内容，通过evaluate方法得出准确率

1.调用库函数

import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.layers import Conv2D,MaxPooling2D,BatchNormalization,Flatten,Dense

指定当前程序使用的 GPU

指定当前程序使用的 GPU

gpus = tf.config.experimental.list_physical_devices(‘GPU’)
for gpu in gpus:
tf.config.experimental.set_memory_growth(gpu, True)

2.调用数据集

调用数据集

(train_X, train_y),(test_X, test_y) = tf.keras.datasets.mnist.load_data()
train_X, test_X = train_X / 255.0, test_X / 255.0

train_X = train_X.reshape(-1, 28, 28, 1)
train_y = tf.keras.utils.to_categorical(train_y)
X_train, X_test, y_train, y_test = train_test_split(train_X, train_y, test_size=0.1, random_state=0)

3.选择模型，构建网络

在此我们使用的是CNN网络，以此搭建Conv2D层、MaxPooling2D层网络

选择模型，构建网络

model = tf.keras.Sequential()
model.add(Conv2D(64, (3, 3), activation=‘relu’, input_shape=(28, 28, 1))), #添加Conv2D层
model.add(Conv2D(64, (3, 3), activation=‘relu’)), #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)), #添加MaxPooling2D层
model.add(BatchNormalization()),

model.add(Conv2D(128, (3, 3), activation=‘relu’)), #添加Conv2D层
model.add(Conv2D(128, (3, 3), activation=‘relu’)), #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)), #添加MaxPooling2D层
model.add(BatchNormalization()),

model.add(Conv2D(256, (3, 3), activation=‘relu’)), #添加Conv2D层
model.add(MaxPooling2D((2, 2), strides=2)), #添加MaxPooling2D层
model.add(BatchNormalization()),

model.add(Flatten()), #展平
model.add(Dense(512, activation=‘relu’)),
model.add(Dense(10, activation=‘softmax’))

4.编译

使用交叉熵作为loss函数，指定优化器、损失函数和验证过程中的评估指标

编译（使用交叉熵作为loss函数）

model.compile(optimizer=‘adam’, #指定优化器
loss=“categorical_crossentropy”, #指定损失函数
metrics=[‘accuracy’]) #指定验证过程中的评估指标

展示训练的过程

display(model.summary())

这里是输出的结果：

5.数据增强

在这里我们使用数据增强方法，更好的提高准确率

数据增强

datagen = ImageDataGenerator(
rotation_range=15,
zoom_range = 0.01,
width_shift_range=0.1,
height_shift_range=0.1)
train_gen = datagen.flow(X_train, y_train, batch_size=128)
test_gen = datagen.flow(X_test, y_test, batch_size=128)

6.训练

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）
[外链图片转存中…(img-5geeXD9y-1713235585607)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！