一、使用CNN进行mnist手写图片识别
卷积神经网络在图片的处理效果比较好
这里构建了一个卷积层->池化层->卷基层->池化层->全连接层->输出层的网络结构,识别效果高达99%以上
二、代码分析
1、导入相关模块
import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
import tensorflow as tf
2、载入数据并切换数据格式
#将x_train和x_test的shape转换成(60000,28,28,1)
#(60000,28,28)->(60000,28,28,1)
#由于其数值范围从0到255,因此除以255以实现归一化使得数据范围从0到1
x_train = x_train.reshape(-1,28,28,1)/255.0
x_test = x_test.reshape(-1,28,28,1)/255.0
print(x_train.shape)
#将y_train和t_test转换成one hot格式
y_train = keras.utils.to_categorical(y_train,num_classes=10)
y_test = keras.utils.to_categorical(y_test,num_classes=10)
注意这里将原来的图片由(60000,28,28)改成了(60000,28,28,1)最后一维是通道数
3、创建模型
#创建模型,输入784个神经元,输出10个神经元
model = keras.Sequential()
#卷积层参数
#input_shape 输入平面
#filter 卷积核/滤波器个数
#kernel_size 卷积窗口大小
#strides 步长
#padding方式 same/valid
#activation 激活函数
model.add(keras.layers.Convolution2D(input_shape=(28,28,1),filters=32,kernel_size=5,strides=1,padding='same',activation='relu'))
model.add(keras.layers.MaxPooling2D(pool_size=2,strides=2,padding='same'))
model.add(keras.layers.Convolution2D(64,5,strides=1,padding='same',activation='relu'))
model.add(keras.layers.MaxPooling2D(2,2,'same'))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(1024,activation='relu'))
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(10,activation='softmax'))
adm = keras.optimizers.Adam()
model.compile(optimizer=adm,loss='categorical_crossentropy',metrics=['accuracy'])
有关卷基层的参数和意义已经写在里面了
4、训练模型和评估模型
#开始训练模型
model.fit(x_train,y_train,batch_size=32,epochs=10)
#评估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('loss: ',loss)
print('accuracy: ',accuracy)