零基础深度学习笔记6——Keras-CNN-MNIST 手写数字辨识资料集

1、默认安装了Keras(终端下输入pip install keras)、Jupyter Notebook和Pandas(pip install pandas)

关于Pandas的介绍，可以参考该篇文章点击打开链接

如果在安装过程中遇见timeout的问题的话，你只能多试几次或者“你（用）懂（神）得（器）”

2、打开Jupyter Notebook，选择New-Python3    

3、重命名Notebook的名称

4、下载mnist资料档案

from keras.datasets import mnist
(x_train, y_train),(x_test,y_test) = mnist.load_data() #读取MNIST资料

    第一次执行mnist.load_data() 方法，程序会检查使用者目录下，是否已有mnist资料集档案，如果还没有，就会下载档案，执行时间会比较久。下载后会储存在使用者个人资料夹。

5、然后开始码代码啦

# coding: utf-8

# In[1]:
#资料预处理
from keras.datasets import mnist
from keras.utils import np_utils
import numpy as np
np.random.seed(10)


# In[2]:
(x_train, y_train),(x_test,y_test) = mnist.load_data() #读取MNIST资料


# In[4]:
#将features（数字影像特征值）以reshape转换为6000*28*28*1的4维矩阵
x_train4D = x_train.reshape(x_train.shape[0],28,28,1).astype('float32')
x_test4D = x_test.reshape(x_test.shape[0],28,28,1).astype('float32')


# In[5]:
#将features标准化，可以提高模型预测的准确度，并且更快收敛
x_train4D_normalize = x_train4D / 255
x_test4D_normalize = x_test4D / 255


# In[8]:
#使用np_utils.to_categorical, 将训练资料集与测试的label,进行 Onehot encoding 转换
y_trainOneHot = np_utils.to_categorical(y_train)
y_testOneHot = np_utils.to_categorical(y_test)


# In[10]:
#建立模型
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D


# In[11]:
#建立keras的Sequential模型（线性堆积模型），后续只需要使用model.add()方法，将各神经网络层加入模型即可
model = Sequential()


# In[13]:
#建立卷积层1.
#输入的数字影像是28*28大小，执行第一次卷积运算，会产生16个影像，卷积运算并不会改变影像大小，所以仍然是28*28大小。
model.add(Conv2D(filters=16,
                kernel_size=(5,5),
                padding='same',#补零
                input_shape=(28,28,1),
                activation='relu'))


# In[14]:
#建立池化层
#输入参数pool_size=(2,2),执行第一次缩减取样，将16个28*28影像，缩小为16个14*14的影像。
model.add(MaxPooling2D(pool_size=(2,2)))


# In[15]:
#建立卷积层2.
#输入的数字影像是28*28大小，执行第2次卷积运算，将原本16个的影像，转换为36个影像，卷积运算并不会改变影像大小，所以仍然是14*14大小。
model.add(Conv2D(filters=36,
                kernel_size=(5,5),
                padding='same',#补零
                activation='relu'))


# In[16]:
#建立池化层2
#输入参数pool_size=(2,2),执行第2次缩减取样，将36个14*14影像，缩小为36个7*7的影像。
model.add(MaxPooling2D(pool_size=(2,2)))


# In[17]:
#加入Dropout(0.25)层至模型中。其功能是，每次训练迭代时，会随机的在神经网络中放弃25%的神经元，以避免overfitting。
model.add(Dropout(0.25))


# In[19]:
#建立平坦层
#之前的步骤已经建立池化层2，共有36个7*7影像，转换为1维的向量，长度是36*7*7=1764，也就是1764个float数字，正好对应到1764个神经元。
model.add(Flatten())


# In[21]:
#建立隐藏层，共有128个神经元
model.add(Dense(128,activation='relu'))


# In[22]:
#加入Dropout(0.5)层至模型中。其功能是，每次训练迭代时，会随机的在神经网络中放弃50%的神经元，以避免overfitting。
model.add(Dropout(0.5))


# In[23]:
#建立输出层
#共有10个神经元，对应到0-9共10个数字。并且使用softmax激活函数进行转换，softmax可以将神经元的输出，转换为预测每一个数字的几率。
model.add(Dense(10,activation='softmax'))


# In[24]:
#查看模型的摘要
print(model.summary())


# In[26]:
#进行训练
#定义训练方式
#在模型训练之前，我们必须使用compile方法，对训练模型进行设定
model.compile(loss='categorical_crossentropy',
             optimizer='adam',metrics=['accuracy'])


# In[27]:
#开始训练
train_history=model.fit(x=x_train4D_normalize,
                       y=y_trainOneHot,validation_split=0.2,
                       epochs=10,batch_size=300,verbose=2)


# In[32]:
#画出accuracy执行结果
#之前训练步骤，会将每一个训练周期的accuracy与loss，记录在train_history。
import matplotlib.pyplot as plt
def show_train_history(train_history,train,validation):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[validation])
    plt.title('Train History')
    plt.ylabel(train)
    plt.xlabel('Epoch')
    plt.legend(['train','validation'],loc='upper left')
    plt.show()


# In[35]:
show_train_history(train_history,'acc','val_acc')


# In[36]:
#画出loss误差执行结果
show_train_history(train_history,'loss','val_loss')


# In[37]:
#用test评估模型准确度
scores = model.evaluate(x_test4D_normalize,y_testOneHot)
scores[1]


# In[40]:
#进行预测 
prediction=model.predict_classes(x_test4D_normalize)


# In[41]:
#预测结果
prediction[:10]


# In[54]:
#显示前10笔预测结果
def plot_images_labels_prediction(images,labels,prediction,idx,num=10):
    fig = plt.gcf()
    fig.set_size_inches(12,14)
    if num>25:
        num =25
    for i in range(0,num):
        ax = plt.subplot(5,5,1+i)
        ax.imshow(images[idx], cmap='binary')
        title = "label="+str(labels[idx])
        if len(prediction)>0:
            title+=",predict="+str(prediction[idx])
        ax.set_title(title,fontsize=10)
        ax.set_xticks([])
        ax.set_yticks([])
        idx+=1
    plt.show()


# In[55]:
plot_images_labels_prediction(x_test,y_test,prediction,idx=0)


# In[56]:
#显示混淆矩阵
import pandas as pd
pd.crosstab(y_test,prediction,
           rownames=['label'],colnames=['predict'])

这是我从jupyter notebook上码完后下载下来的，运行过，是没问题的。