Keras利用卷积神经网络（CNN）识别手写数字（环境python3.5）

最新推荐文章于 2024-06-14 09:25:13 发布
最新推荐文章于 2024-06-14 09:25:13 发布
阅读量3.9k 收藏 35
点赞数 7
分类专栏： 王玥 文章标签： Keras CNN MNIST
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37788308/article/details/80638359
版权
本文介绍了如何利用Keras的卷积神经网络（CNN）对MNIST数据集的手写数字进行识别。首先进行数据预处理，然后构建包含卷积和池化层的CNN模型，接着评估模型的训练和验证准确率，最后进行预测并展示模型的优秀性能，准确率高达0.99。
摘要由CSDN通过智能技术生成

今天介绍如何利用卷积神经网络进行MNIST数据集的手写数字识别，即将手写数字图像images识别为数字标签labels
目录

建模思路如下图：

这里写图片描述

数据预处理

    MNIST数据集共有训练数据60 000项、测试数据10 000项。其数据都由images（数字图像）与labels（真实的数字）所组成

尝试调用该数据集的第0项
这里写图片描述
这里写图片描述
下面展示数据集的前十项：
这里写图片描述
接下来进行数据预处理
1、 导入所需模块
这里写图片描述
2、读取数据
这里写图片描述
3、将fetures（数字图像特征值）转换为6000 x 28 x 28 x 1的四维矩阵
这里写图片描述

模型建立

这里写图片描述
这里写图片描述
解释一下，这里的卷积层1是将一张手写数字图像以16个滤镜进行分解，分别侧重于同一张图片中不同的特征，池化层1是将分解得到的16张图片中与识别无关的信息切除，直观看来是将图片切掉了1/2大小。
卷积层2和池化层2做的工作相似。
我们可以运用代码查看模型概况：
这里写图片描述

评估模型准确率

训练模型之后，我们用识别准确率对模型好坏进行评估。
这里写图片描述
训练的准确率变化以橙色表出，验证的准确率变化以蓝色表出
可以发现，无论是训练还是验证，准确率都越来越高

也可以查看误差率变化曲线，它是（1-准确率）的结果
这里写图片描述
同样的，训练误差以蓝色表示，验证误差以橙色表示
可以发现，训练和验证的误差都越来越低

使用测试数据集来评估模型准确性，可以发现，其精确度高达0.99

最低0.47元/天 解锁文章
云南省高校数据化运营管理工程研究中心
关注
  • 7
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于CNN 卷积神经网络手写数字图像识别
CSDN 精品推荐
02-16 8946
文章目录卷积神经网络手写数字图像识别1、导入相关库2、导入手写数据集3、定义数据包装器4、查看数据维度5、定义卷积网络层6、定义模型与损失函数、优化器7、训练、测试函数8、网络迭代训练9、保存模型10、加载模型11、模型测试 卷积神经网络手写数字图像识别 1、导入相关库 # pytorch框架 import torch from torch import nn,optim from torchvision import datasets,transforms from torch.utils.data i
[分享] Python实现的基于深度学习的手写数字识别算法
qq_38474647的博客
11-28 1414
本文将采用深度学习中的卷积神经网络来训练手写数字识别模型。使用卷积神经网络建立合理的模型结构，利用卷积层中设定一定数目的卷积核（即滤波器），通过训练数据使模型学习到能够反映出十个不同手写提数字特征的卷积核权值，最后通过全连接层使用softmax函数给出预测数字图对应每种数字可能性的概率多少。 本文以学习基于深度学习的手写数字识别算法的过程为线索，由简入深，...
Pytorch 卷积神经网络-手写数字识别
最新发布
2401_85343303的博客
06-14 1140
理解了卷积层和池化层，那么卷积神经网络就是卷积层+池化层作用神经网络的隐藏层反复出现的多层神经网络结构，如下图所示。我们分析一下它的层级结构：● 原始的输入是一张图片，可以是彩色的，也可以是灰度的或黑白的。这里假设是只有一个通道的图片，目的是识别0~9的手写体数字；● 第一层卷积，我们使用了4个卷积核，得到了4张feature map；激活函数层没有单独画出来，这里我们紧接着卷积操作使用了Relu激活函数；
基于卷积神经网络CNN的手写数字识别
AddVH的博客
07-29 8482
基于卷积神经网络CNN的手写数字识别1.CNN卷积神经网络中的几个概念卷积核(Convolution Kernel)卷积(Convolution)池化(Pooling)2.导入mnist手写数据集3.构建卷积神经网络4.训练卷积神经网络5.使用测试集测试6.参考文献 1.CNN卷积神经网络中的几个概念 想象现在你有一张手写数字图片，你需要识别它是0-9中的哪个数字，一种思路是寻找图片局部的特征，如果这个图片和某个数字的大部分局部特征最相似，则将该图片识别为该数字。 卷积核(Convolution Kerne
卷积神经网络（CNN） 实现手写数字识别
Query的博客
11-23 8149
原文链接：https://blog.csdn.net/polyhedronx/article/details/94476824 一、引言 前一篇博文使用单隐层的全连接神经网络，并结合一些神经网络的优化策略，如指数衰减学习率、正则化、Relu激活函数和Adam优化算法等，用包含100个隐层神经元的神经网络实现了MNIST数据集上手写数字识别98%的准确率。但是全连接神经网络也是有局限的，即使使用很深的网络、很多的隐层结点、很大的迭代轮数，也很难在MNIST数据集上得到99%以上的准确率。不过，卷积神经网络的出
图片训练：使用卷积神经网络（CNN）识别手写数字
weixin_33975951的博客
04-20 587
  　　这篇文章中，我们将使用CNN构建一个Tensorflow.js模型来分辨手写的数字。首先，我们通过使之“查看”数以千计的数字图片以及他们对应的标识来训练分辨器。然后我们再通过此模型从未“见到”过的测试数据评估这个分辨器的精确度。   一、运行代码 　　这篇文章的全部代码可以在仓库TensorFlow.js examples 中的tfjs-examples/mnist 下找到，你可以...
深入MNIST机器学习-基于Tensorflow
weixin_33861800的博客
01-07 358
2019独角兽企业重金招聘Python工程师标准>>> ...
CNN_python_卷积神经网络_手写数字识别_
10-03
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，特别适用于图像处理任务，如手写数字识别。本项目使用Python编程语言来构建一个CNN模型，以实现对MNIST数据集的手写数字识别。MNIST是机器...
Python大作业-基于卷积神经网络的手写数字识别系统源码.zip
11-23
在本项目中，我们将深入探讨一个使用Python编程语言构建的手写数字识别系统，该系统基于卷积神经网络（CNN）。这个“Python大作业”旨在帮助学习者理解和实践深度学习技术，特别是CNN在图像识别任务中的应用。让我们...
Python-使用卷积神经网络识别手写数字
08-11
本项目"Python-使用卷积神经网络识别手写数字"聚焦于利用CNN解决手写数字识别问题，通过在著名的MNIST数据集上进行训练，达到了99.2%的验证准确率，这在同类任务中是一个相当高的水平。 MNIST数据集是机器学习社区...
基于卷积神经网络的手写数字识别系统.rar
09-16
基于tensorflow和pycharm实现基于卷积神经网络的手写字体识别系统，并上传制作好的课程文件，以供大家直接使用，代码亲测可用
CNN卷积神经网络实现Mnist手写数字识别数据集
05-26
1、Mnist_cnn.py 该脚本文件 用TensorFlow框架 实现CNN卷积神经网络处理Mnist手写数字识别数据集，准确率达到99.21%； 2、Mnist_cnn_tensorboard.py 该脚本文件在Mnist_cnn.py的基础上实现可视化。
基于卷积神经网络的手写数字识别
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
04-25 1831
我们这里要解决的问题是，将手写数字的灰度图像（28 像素×28 像素）划分到10个类别中（0~9）。我们将使用 MNIST 数据集，它是机器学习领域的一个经典数据集，这个数据集包含60000张训练图像和10000张测试图像，由美国国家标准与技术研究院在20世纪 80年代收集得到。我们先来看一个简单的卷积神经网络示例，即使用卷积神经网络对MNIST数字进行分类，这个任务我们在前面章节使用全连接网络做过。虽然本例中的卷积神经网络很简单，但其精度肯定会超过前面章节的全连接网络。
keras与卷积神经网络（CNN）实现识别minist手写数字
极歌科技
04-14 774
在本篇博文当中，笔者采用了卷积神经网络来对手写数字进行识别，采用的神经网络的结构是:输入图片——卷积层——池化层——卷积层——池化层——卷积层——池化层——Flatten层——全连接层（64个神经元）——全连接层（500个神经元）——softmax函数，最后得到分类的结果。Flatten层用于将池化之后的多个二维数组展开成一维数组，再灌入全连接层的神经元当中。 首先导包： import...
手写数字识别-基于卷积神经网络
zzqingyun的博客
06-27 7138
机器识图的过程：机器识别图像并不是一下子将一个复杂的图片完整识别出来，而是将一个完整的图片分割成许多个小部分，把每个小部分里具有的特征提取出来（也就是识别每个小部分），再将这些小部分具有的特征汇总到一起，就可以完成机器识别图像的过程了。.........
利用卷积神经网络实现手写数字集识别
热门推荐
Eating Lee
05-29 2万+
我们在之前的博客，已经学习了用KNN和dense SIFT算法实现图像分类，今天我们学习另一种新的方法来实现图像分类，用卷积神经网络实现手写数字集的分类。 一、卷积神经网络（CNN） 1.卷积神经网络概述 2.卷积​ 二、leNet 三、数据集分析 四、实现 1.训练和测试模型 2.可视化 3.结果分析 （1）准确率 （2）可视化测试 一、卷积神经网络（CNN） 1.卷积...
深度学习之CNN卷积神经网络（二）MNIST手写数字识别和tensorboard可视化
繁华三千东流水不舍昼夜的博客
09-08 700
代码如下 import tensorflow as tf import random import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data # 种子 tf.set_random_seed(1) # 数据 mnist = input_data.read_data_sets...
基于Keras的卷积神经网络手写数字识别
nc_yhy的博客
08-01 646
# -*- coding: utf-8 -*- """ Created on Sun Aug 1 08:21:42 2021 @author: Yang Hongyun """ import tensorflow as tf import keras #keras框架导入 from keras.datasets import mnist #数据集 from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D,...
CNN卷积神经网络手写数字识别 ，python代码
06-06
好的，下面是一个简单的手写数字识别的卷积神经网络的 Python 代码： 1. 首先导入需要的库： ```python import numpy as np import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D, Dropout ``` 2. 加载 MNIST 数据集： ```python (x_train, y_train), (x_test, y_test) = mnist.load_data() ``` 3. 对数据进行预处理： ```python x_train = x_train.reshape(x_train.shape[0], 28, 28, 1) x_test = x_test.reshape(x_test.shape[0], 28, 28, 1) x_train = x_train.astype('float32') x_test = x_test.astype('float32') x_train /= 255 x_test /= 255 ``` 4. 将标签进行 one-hot 编码： ```python y_train = tf.keras.utils.to_categorical(y_train, 10) y_test = tf.keras.utils.to_categorical(y_test, 10) ``` 5. 构建卷积神经网络模型： ```python model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, kernel_size=(3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(10, activation='softmax')) ``` 6. 编译模型： ```python model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) ``` 7. 训练模型： ```python model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test)) ``` 8. 在测试集上评估模型： ```python score = model.evaluate(x_test, y_test, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` 这段代码实现了一个简单的手写数字识别的卷积神经网络模型，可以在 MNIST 数据集上得到约 99% 的准确率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值