【无标题】全连接

 

这个项目将使用MNIST数据集，该数据集包含手写数字（0到9）的图像。项目的目标是使用一个全连接神经网络模型来对这些图像进行分类。代码将包含详细注释，以帮助你理解每一步的流程。

项目概述

• 数据集: MNIST数据集，包含60000张训练图片和10000张测试图片，每张图片是28x28像素的手写数字。
• 目标: 构建一个全连接神经网络，输入是手写数字的图片，输出是该图片代表的数字（0到9）的分类结果。

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical

# 1. 加载MNIST数据集
# Keras自带的MNIST数据集，可以直接加载
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 2. 数据预处理
# 将图像数据归一化到[0, 1]区间，并将标签进行One-Hot编码
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 3. 构建全连接神经网络模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 将28x28的图像展平成784维的向量
    Dense(128, activation='relu'),  # 第一个全连接层，包含128个神经元，使用ReLU激活函数
    Dense(64, activation='relu'),   # 第二个全连接层，包含64个神经元，使用ReLU激活函数
    Dense(10, activation='softmax') # 输出层，包含10个神经元，对应0-9的分类，使用Softmax激活函数
])

# 4. 编译模型
# 使用交叉熵损失函数和Adam优化器，并评估模型的准确率
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 5. 训练模型
# 使用训练数据训练模型，设置训练轮数为10
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

# 6. 评估模型
# 在测试集上评估模型的性能
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

# 7. 可视化部分预测结果
predictions = model.predict(x_test)

# 显示前5张测试图片及其预测结果
for i in range(5):
    plt.imshow(x_test[i], cmap='gray')
    plt.title(f"True: {np.argmax(y_test[i])}, Predicted: {np.argmax(predictions[i])}")
    plt.show()

代码解释

1. 加载MNIST数据集: 使用mnist.load_data()函数加载手写数字的图像和标签。
2. 数据预处理: 对图像数据进行归一化处理，将像素值从0-255缩放到0-1之间，并对标签进行One-Hot编码。
3. 构建模型: 使用Sequential模型，依次添加一个展平层和三个全连接层，其中两个隐层使用ReLU激活函数，输出层使用Softmax激活函数进行多分类。
4. 编译模型: 使用categorical_crossentropy作为损失函数，adam作为优化器，并评估模型的准确率。
5. 训练模型: 使用训练数据训练模型，设置10个训练轮数，并在20%的训练数据上进行验证。
6. 评估模型: 使用测试数据集评估模型的性能，输出测试集的准确率。
7. 可视化预测结果: 随机选择5张测试图片，显示真实标签和预测标签。