Keras:利用卷积神经网络(CNN)识别手写数字

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

  • 2
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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