06-通过LeNet5模型实现手写识别

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

LeNet(1998年提出)是卷积网络做识别的开山之作，虽然这篇论文的网络结构现在已经很少使用，但是它对后续卷积网络的发展起到了奠基作用，打下了很好的理论基础.网络一共有5层，卷积1->池化1->卷积2->池化2->全连接，所以被称为LeNet-5。

一、数据获取

import tensorflow as tf
# 数据集
from tensorflow.keras.datasets import mnist

二、 数据加载

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
print(train_images.shape)
print(train_labels.shape)
print(test_images.shape)
print(test_labels.shape)

三、数据处理

# 维度调整
# 卷积神经网络的输入要求是：N H W C，分别是图片数量，图片高度，图片宽度和图片的通道，（灰度图通道为1）.
train_images = tf.reshape(train_images,(train_images.shape[0], train_images.shape[1], train_images.shape[2], 1))
print(train_images.shape)
test_images = tf.reshape(test_images,(test_images.shape[0], test_images.shape[1], test_images.shape[2], 1))
print(test_images.shape)

四、模型构建

net = tf.keras.models.Sequential([
    # 卷积层: 6个5*5的卷积 sigmoid  大小为5，6个卷积过滤器
    tf.keras.layers.Conv2D(filters=6,kernel_size=5,activation='sigmoid',input_shape=(28,28,1)),
    # max pooling  大小为2，步长为2
    tf.keras.layers.MaxPool2D(pool_size=2, strides=2),
    # 卷积层 16 5*5 sigmoid  大小为5，16个卷积过滤器
    tf.keras.layers.Conv2D(filters=16, kernel_size=5, activation='sigmoid'),
    # max pooling  大小为2，步长为2
    tf.keras.layers.MaxPool2D(pool_size=2,strides=2),
    # 维度调整 因为输入全连接层的数据为向量
    tf.keras.layers.Flatten(),
    # 全连接层 
    tf.keras.layers.Dense(120, activation='sigmoid'),
    # 全连接层 
    tf.keras.layers.Dense(84, activation='sigmoid'),
    # 输出层
    tf.keras.layers.Dense(10, activation='softmax')
])
net.summary()
# tf.keras.utils.plot_model(net)

五、模型编译

# 设置优化器和损失函数
# 因为之前没有热编码，所以需要使用"sparse_categorical_crossentropy", 使用了热编码后，可以直接使用"categorical_crossentropy"

## 优化器, 损失函数，  评价指标
net.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.9), loss=tf.keras.losses.sparse_categorical_crossentropy,
metrics=['accuracy'])

六、模型训练

# 训练5次，每次128个数据，verbose=1用来显示训练过程
net.fit(train_images, train_labels, epochs=5, batch_size=128, verbose=1)

七、模型评估

net.evaluate(test_images, test_labels, verbose=1)