Keras：利用卷积神经网络（CNN）识别手写数字

最新推荐文章于 2024-05-14 00:09:35 发布
最新推荐文章于 2024-05-14 00:09:35 发布
阅读量2.1k 收藏 14
点赞数 2
文章标签： 深度学习 机器学习 神经网络 人工智能
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_60720638/article/details/121122569
版权

环境python3.5

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

数据预处理
模型建立
评估模型准确率
进行预测

1 建模思路如下图：


 

数据预处理

1 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

最低0.47元/天 解锁文章
刀姐聊软件测试
关注
  • 2
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Keras利用卷积神经网络（CNN）识别手写数字（环境python3.5）
云南省高校数据化运营管理工程研究中心的博客
06-10 3902
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。我们要做的就是将手写数字图像（images）识别为数字标签（labels） 建模思路如下图： -### 目录 用 [TOC]来生成目录： 数据预处理 模型建立 评估模型准确率 进行预测 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...
基于卷积神经网络模型的手写数字识别
qq_19774249的博客
02-08 2157
手写数字识别要求利用MNIST数据集里的70000张手写体数字的图像，建立神经网络模型，进行0到9的分类，并能够对其他来源的图片进行识别，识别准确率大于97%。图片示例如下。
基于LeNet5实现手写数字识别，可视化卷积层。
最新发布
2303_79620604的博客
05-14 963
本文章将基于LeNet5实现手写数字识别，并增加卷积层，探索卷积层多与少的区别，通过可视化卷积层，是大家更理解CNN这个抽象的概念！
Keras+CNN模型识别手写数字（mnist）详细分析
zhr1030635594的博客
06-03 3092
CNN模型 CNN卷积神经网络，包含卷积层（卷积运算提取输入的不同特征，更多层的网络能从低级特征中迭代提取等复杂的特征），线性整流层（RELU），池化层（卷积后会得到维度很大的特征，将特征切成几个区域，取最大值或平均值，得到新的较小维度特征），全连接层（局部特征结合变成全局特征，计算最后得分） 卷积：使用卷积核对图像进行扫描，得到特征图 池化：池化即下采样，目的减少特征图 详细内容参见：https://blog.csdn.net/liangchunjiang/article/detai.
卷积神经网络 手写数字识别（包含Pytorch实现代码）
热门推荐
LiRongLu_的博客
12-11 1万+
运用卷积神经网络CNN采用监督学习的方法对0-9的手写数字进行训练，把训练好的模型保存下来，用于识别0~9的手写数字，调用保存的模型正确识别不同人书写的0~9数字。
基于卷积神经网络的手写数字识别（自建模型）
weixin_45303602的博客
12-04 2948
卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。数字识别是计算机从纸质文档、照片或其他来源接收、理解并识别可读的数字的能力，目前比较受关注的是手写数字识别。手写数字识别是一个典型的图像分类问题，已经被广泛应用于汇款单号识别、手写邮政编码识别，大大缩短了业务处理时间，提升了工作效率和质量。在处理如 图1 所示的手写邮政编码的简单图像分类任务时，
[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 1403
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，...
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...
如何用卷积神经网络CNN识别手写数字集？资料.pdf
11-29
卷积神经网络CNN在手写数字识别中的应用 卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于图像识别和分类任务。今天，我们将探讨如何使用 CNN 识别手写数字集。 首先，让我们了解...
如何用卷积神经网络CNN识别手写数字集？资料.docx
11-29
使用卷积神经网络（CNN）识别手写数字集 本文将结合卷积神经网络（CNN）和手写数字集，讲解如何使用CNN来识别手写数字集。手写数字集是一个非常基本的机器学习项目，类似于学一门新语言的“Hello World”或...
CNN卷积神经网络实现Mnist手写数字识别数据集.zip
03-07
这个压缩包“CNN卷积神经网络实现Mnist手写数字识别数据集.zip”显然包含了实现CNN模型以识别MNIST数据集的手写数字的代码和资源。 CNN的核心特点包括卷积层、池化层、激活函数和全连接层等。这些组件协同工作，...
用卷积神经网络的手写数字识别系统的原理
weixin_35749796的博客
01-09 514
卷积神经网络(Convolutional Neural Network, CNN)是一种用于图像分类的深度学习模型。它的基本单元是卷积层，在输入数据(通常是图像)上滑动一个叫做卷积核的小矩阵，对每个位置的输入数据进行变换。 在卷积层之后，通常会接一个池化层(Pooling Layer)，这一层的作用是将卷积层输出的矩阵进行降维处理，以减少模型的复杂度。 CNN 通常会有多个卷积层和池化层堆叠在一起...
TensorFlow学习:CNN卷积神经网络--Mnist手写数字识别
zqzq19950725的博客
12-27 909
手写数字识别–CNN卷积神经网络 1、采用TensorFlow中的mnist数据集（可以取网站下载它的数据集，http://yann.lecun.com/exdb/mnist/） 2、卷积神经网络结构图： 说明：我们输入为mnist数据集，28281，输出为0~9的10个数字。过程包括二个卷积层、二个池化层得到7764的结果，然后再通过一个全连接层，在dropout层，在来一个全连接层，最终得到...
深度学习笔记（三十三）卷积神经网络识别手写数字的工作原理
Mr.zwX
02-14 1406
手写体数字很熟悉吧，来自经典的Mnist数据集，我在不同阶段训练过这个数据集：不会神经网络时我用keras简单搭建全连接神经网络；学会深层神经网络原理后，我不用TensorFlow/Pytorch深度学习框架，手工搭建DNN；学习了TensorFlow的基本操作后，我用tf搭建了全连接神经网络。 回顾我做过的这些工作，让我对Mnist数据集有了较深的理解。然而纵观我实现这个训练过程的方式，仅仅用到的是DNN，甚至仅仅是SNN，完全没有涉及到做图像分类更好的网络模型——卷积神经网络CNN。 学到这一课，我也.
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
拓端研究室TRL
07-06 261
原文链接：http://tecdat.cn/?p=26230什么是CNN本文演示了如何训练一个简单的卷积神经网络 (CNN) 来对图像（查看文末了解数据获取方式）进行分类。相关视频ConvolutionalNeuralNetworks（ConvNets 或 CNNs）是一类神经网络，已被证明在图像识别和分类等领域非常有效。与传统的多层感知器架构不同，它使用两个称为convolution...
CNN学习MNIST实现手写数字识别
fakerth的博客
11-05 1478
CNN学习MNIST实现手写数字识别
4.1 keras基础实例 手写数字识别
weixin_46994240的博客
04-01 1277
1）手写数据集 手写数据集是深度学习中，最基础应用最广泛的数据集。 手写数据集内置在keras中 import keras from keras import layers import matplotlib. pyplot as plt import numpy as np import keras.datasets.mnist as mnist # 1）加载数据集 (train_image, train_label),(test_image,test_label...
mnist手写数字识别记录-使用keras分类
时时总结，常常分享
04-11 525
文章目录1、mnist介绍1、可视化2、各层介绍2、训练过程1、获取图像信息2.具体训练3、测试及反馈 本文是我b站上看的一个大佬讲的视频，讲的还是很通俗的，后面又自己查了点资料，加上了自己的一点理解而来的，仅代表本菜鸡理解，大佬勿喷！ b站原连接如下：https://www.bilibili.com/video/BV16g4y1z7Qu?spm_id_from=333.880.my_history.page.click 1、mnist介绍 1、可视化 首先可以看下这个网站，他是比较形象的表述了这个神经
利用卷积神经网络进行手写数字识别
08-13
利用卷积神经网络（CNN）进行手写数字识别是一个常见的应用。下面是一个使用TensorFlow和Keras库实现手写数字识别的示例： ```python import tensorflow as tf from tensorflow.keras import datasets, layers, models import matplotlib.pyplot as plt # 加载手写数字数据集（MNIST） (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data() # 数据预处理 train_images = train_images.reshape((60000, 28, 28, 1)) test_images = test_images.reshape((10000, 28, 28, 1)) train_images, test_images = train_images / 255.0, test_images / 255.0 # 构建卷积神经网络模型 model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10)) # 编译和训练模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) # 测试模型 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print('测试准确率:', test_acc) ``` 在上述示例中，我们首先加载MNIST手写数字数据集，然后对图像进行预处理，将其转换为CNN所需的格式。接下来，我们使

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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