3.2、用LSTM实现MNIST手写数字识别

最新推荐文章于 2023-05-02 15:40:46 发布

Amy_mm

最新推荐文章于 2023-05-02 15:40:46 发布

阅读量4k

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/Amy_mm/article/details/81023846

版权

这篇博客介绍了如何运用LSTM模型进行MNIST手写数字识别，将MNIST数据集作为机器学习领域的基础入门，详细阐述了数据加载、预处理及模型构建的过程。

摘要由CSDN通过智能技术生成

##用LSTM实现MNIST手写数字识别

就像开始学习编程语言时入门程序是‘Hello World’一样，mnist就是机器学习中的‘Hello World’。

1、MNIST手写数字
本数据库有x_train为60,000个用于训练的28*28的灰度手写数字图片，x_test为10,000个测试图片，如下图所示。y_train，y_test是标记的数字，值为0-9。

mnist

（1）从keras数据库中加载数据集

from keras.datasets import mnist
#加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print('x_train.shape:',x_train.shape)
print('x_test.shape:',x_test.shape)

输出：
('x_train.shape:', (60000, 28, 28))
('x_test.shape:'

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Amy_mm

关注关注

0
点赞
踩
23

收藏

觉得还不错? 一键收藏
4
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

Keras 框架实现卷积神经网络mnist手写数字识别(Keras实现mnist手写数字识别)

AI天才研究院

09-27

942

作者：禅与计算机程序设计艺术 1.简介随着深度学习的火热，人们越来越多地选择使用CNN作为机器学习模型，在图像识别、自然语言处理、文本分析等领域取得了不错的效果。Keras是一个支持多种深度学习框架（TensorFlow、Theano、CNTK）的开源项目，它提供了简洁、可靠且高效的构建、训练和部署模

【图像分类】卷积神经网络之LeNet5网络模型实现MNIST手写数字识别

学无止境、积少成多、厚积薄发

02-21

1089

卷积神经网络之LeNet5网络模型实现MNIST手写数字识别，文末附完整项目代码和数据集

4 条评论您还未登录，请先登录后发表或查看评论

基于LSTM实现mnist手写数字识别

qq_29547673的博客

04-27

2519

首先读取数据，数据源是mnist库，可以通过input_data中read_data函数直接读取数据，数据图像为28*28。 #导入库 import tensorflow as tf #下载数据对应的库 import input_data import numpy as np import matplotlib.pyplot as plt print ("Packages imported")...

LSTM实现Mnist手写数字识别

cyj5201314的博客

04-08

409

import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' import tensorflow.compat.v1 as tf from tensorflow.examples.tutorials.mnist import input_data tf.compat.v1.disable_eager_execution() # 载入数据集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) # 输

基于LSTM来实现mnist手写数字识别（内附代码）

flinjin的博客

03-17

856

import tensorflow as tf import input_data import numpy as np import matplotlib.pyplot as plt print ("Packages imported") mnist = input_data.read_data_sets("data/", one_hot=True) trainimgs, trainlabel...

【深度学习】用LSTM识别手写数字MNIST数据集（tensorflow1.x实现）

东西山海关

04-12

793

网络结构：就是LSTM后面再加一层全连接层。输入输出分析： MNIST数据集详解：点击查看MNIST详解数据集中的手写数字是个（28,28）的灰度像素二维数组。在此可以将其行向量看做是连续的28个时间序列，故代码中TIME_STEP=28，每一行就是LSTM在时间t的输入其输入数据的维度INPUT_SIZE = 28 代码中NUM_UNITS = 128 表示LSTM的输出h_t的维度是128，具体见下图，其中num_units就是输出维度。代码： import tensor

使用LSTM实现mnist手写数字分类识别 TensorFlow

WX_Chen的博客

09-28

1968

RNN做图像识别原理：MNIST数据集中一张图片数据包含28*28的像素点。RNN是将一张图片数据的一行作为一个向量总体输入一个X中。也就是说，RNN有28个输入X，一个输入X有28个像素点。输出最后一个结果做为预测值。 TensorFlow入门学习代码： # -*- coding: utf-8 -*- from tensorflow.examples.tutorials.mnist ...

lstm实现mnist手写数字识别代码

07-25

参考网上写的、使用tensorflow的lstm实现mnist手写数字识别代码，

【PyTorch 深度学习实战】基于RNN & LSTM 实现 MNIST手写数字识别 (附源代码 | 详解) | 附：解决Jupyter无法启动问题No module named‘resource‘

追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光

05-02

1103

RNN（循环神经网络）和 LSTM（长短时记忆网络）是深度学习中两种不同类型的神经网络。它们都是为了解决一些复杂的任务，如序列到序列的预测、序列到单词的翻译等。RNN主要用于处理序列数据，它有一个时间步长的概念。在每个时间步长内，RNN可以从之前的时间步长中获取信息，并对当前的输入进行计算。这使得RNN能够对长序列进行有效的建模。LSTM主要用于处理连续数据，它结合了 RNN和 CNN的特点。LSTM的输入序列被分成一系列的小段（称为“时间步长”），每个时间步长都被看作是一个记忆单元。这使得 LSTM能够对

使用lstm的python简单实例——mnist

08-30

使用lstm的python简单实例——mnist，使用的版本为python3.7 可以自动下载mnist数据集，如果网络不通，可以自己手动下载，或者在评论里言，我看到后会发给您mnist的数据集

基于深度学习框架pytorch搭建循环神经网络LSTM完成手写字体识别

huanfeng_AI的博客

04-08

1308

循环神经网络 在深度学习领域，循环神经网络具有记忆能力，它可以根据以前的记忆来处理新的任务。记忆力在很有任务上是很有用的，比如在一场电影中推断下一个时间点的场景，这个时候仅依赖于现在的情景并不够，还需要依赖于前面发生的情节，对于这样一些不仅依赖于当前情况，还依赖于过去情况的问题，传统的神经网络结构不能很好地处理，而基于记忆的网络模型却能够完成这个任务。 LSTM LSTM是循环神经网络的变式，它能够很好的解决长时间依赖的问题，这种循环网络结构非常流行，使用很广泛。LSTM使用三个门来控制，这三个门分别是输

【图像分类】基于PyTorch搭建LSTM实现MNIST手写数字体识别（双向LSTM，附完整代码和数据集）

学无止境、积少成多、厚积薄发

02-13

1542

基于PyTorch搭建LSTM实现MNIST手写数字体识别（双向LSTM，附完整代码和数据集）

LSTM原理以及基于PyTorch的LSTM实现MNIST手写数字

艾文

01-06

4243

循环神经网络让神经网络有了记忆, 对于序列话的数据,循环神经网络能达到更好的效果. 我们将图片数据看成一个时间上的连续数据, 每一行的像素点都是这个时刻的输入, 读完整张图片就是从上而下的读完了每行的像素点. 然后我们就可以拿出 RNN 在最后一步的分析值判断图片是哪一类了下面，我们手写数字的RNN import torch from torch import nn import torchvi...

PyTorch入门二：LSTM实现MNIST手写数字识别

酒酿小圆子呀～

07-23

2970

https://blog.csdn.net/winycg/article/details/88937583 LSTM(Long Short Term Memory)，长短时记忆网络，主要用于传统RNN网络所面临的梯度消失/爆炸等问题。关于LSTM的基本原理可以参考我的另外一篇博客：RNN神经网络 ...

【PyTorch】基于 LSTM 的手写数字识别（MNIST）

XavierJ的博客

01-29

2790

引言基于 PyTorch 实现的 LSTM 模型在 MNIST 数据集上的手写数字识别。用法代码托管于 GitHub：https://github.com/XavierJiezou/pytorch-lstm-mnist git clone https://github.com/XavierJiezou/pytorch-lstm-mnist.git cd pytorch-lstm-mnist pip install -r requirements.txt python ./code/train_on

lstm for mnist

一路向北

05-05

210

""" This code is a modified version of the code from this link: https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/recurrent_network.py His code is a very good ...

单向LSTM笔记, LSTM做minist数据集分类

weixin_30596343的博客

11-13

443

单向LSTM笔记, LSTM做minist数据集分类先介绍下torch.nn.LSTM()这个API 　　1.input_size: 每一个时步(time_step)输入到lstm单元的维度.(实际输入的数据size为[batch_size, input_size]) 2. hidden_size: 确定了隐含状态hidden_state的维度. 可以简单的看成: 构造了一个...

用LSTM分类 MNIST

weixin_30413739的博客

09-03

290

LSTM是RNN的一种算法，在序列分类中比较有用。常用于语音识别，文字处理（NLP）等领域。等同于VGG等CNN模型在在图像识别领域的位置。本篇文章是叙述LSTM 在MNIST 手写图中的使用。用来给初步学习RNN的一个范例，便于学习和理解LSTM . 先把工作流程图贴一下：代码片段：数据准备 def makedata(): ...

LSTM对MNIST分类

qq_43296197的博客

02-03

400

import torch from torch import nn import torchvision.datasets as dsets import torchvision.transforms as transforms import matplotlib.pyplot as plt # torch.manual_seed(1) # reproducible # Hyper P...

LSTM实现MNIST手写数字分类

最新发布

05-26

好的，我可以为您介绍如何使用LSTM实现MNIST手写数字分类。 MNIST是一个常用的手写数字数据集，它包含60000个训练样本和10000个测试样本。每个样本是一个28x28的灰度图像，表示手写数字0-9中的一个。 LSTM（长短时记忆网络）是一种递归神经网络，特别适用于处理序列数据，如文本、语音、视频等。在MNIST手写数字分类任务中，我们可以将每个图像的像素值序列视为一个时间序列，然后使用LSTM对其进行分类。以下是实现MNIST手写数字分类的步骤： 1. 准备数据集首先，我们需要从Keras库中加载MNIST数据集。可以使用以下代码： ``` python from keras.datasets import mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() ``` 数据集中的图像像素值范围在0到255之间，我们需要将其归一化到0到1之间。可以使用以下代码： ``` python x_train = x_train.astype('float32') / 255. x_test = x_test.astype('float32') / 255. ``` 还需要将标签转换为独热编码。可以使用以下代码： ``` python from keras.utils import to_categorical y_train = to_categorical(y_train, num_classes=10) y_test = to_categorical(y_test, num_classes=10) ``` 2. 构建LSTM模型接下来，我们需要构建一个LSTM模型。可以使用以下代码： ``` python from keras.models import Sequential from keras.layers import LSTM, Dense model = Sequential() model.add(LSTM(128, input_shape=(28, 28))) model.add(Dense(10, activation='softmax')) model.summary() ``` 在这个模型中，我们使用了一个LSTM层和一个全连接层。LSTM层的输入形状是（28，28），因为每个图像都是28x28像素。全连接层的输出是10，因为我们要对10个数字进行分类。 3. 编译和训练模型我们需要编译这个模型并对其进行训练。可以使用以下代码： ``` python model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test)) ``` 在这个模型中，我们使用了交叉熵作为损失函数，Adam作为优化器，并使用准确率作为度量标准。我们将训练数据分成大小为128的批次，并对模型进行10次迭代。 4. 评估模型训练完成后，我们需要评估模型的性能。可以使用以下代码： ``` python score = model.evaluate(x_test, y_test, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` 这将打印出测试集上的损失和准确率。完整的代码如下： ``` python from keras.datasets import mnist from keras.utils import to_categorical from keras.models import Sequential from keras.layers import LSTM, Dense (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train = x_train.astype('float32') / 255. x_test = x_test.astype('float32') / 255. y_train = to_categorical(y_train, num_classes=10) y_test = to_categorical(y_test, num_classes=10) model = Sequential() model.add(LSTM(128, input_shape=(28, 28))) model.add(Dense(10, activation='softmax')) model.summary() model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test)) score = model.evaluate(x_test, y_test, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` 希望这能对您有所帮助！