Keras 简单CNN运用于手写数字识别

Keras 手写数字识别

准确率99%

导入相关的包

import numpy as np
from keras.utils import np_utils
from keras.models import Sequential
#Convolution2D二维卷积，MaxPooling2D二维最大池化，Flatten把数据扁平化
from keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten 
from keras.optimizers import Adam

载入数据

直接从keras下载可能会比较慢，这里事先准备好了数据集

链接：https://pan.baidu.com/s/1kbDiH-nnbgmTRdaZM6c80g
提取码：sg2k

#载入数据
path = 'mnist.npz'
def downloadmnist(path):
    f = np.load(path)
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']
    f.close()
    return (x_train,y_train),(x_test,y_test)
(x_train,y_train),(x_test,y_test) = downloadmnist(path)
#(60000,28,28)
print('x_shape',x_train.shape)
#(60000,)
print('y_shape',y_train.shape)
#(60000,28,28)->(60000,28,,28,1)  #1为图片深度，黑白图片深度为1，彩色图片深度为3
x_train = x_train.reshape(-1,28,28,1)/255.0  #归一化处理，数据的值是0-255
x_test = x_test.reshape(-1,28,28,1)/255.0
#换one hot 格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)

模型构建

第一个卷积层 卷积核32，卷积窗口大小5*5，步长为1
------>>>>>>卷积后变成32 * 28 * 28（32个特征图，28 * 28的窗口大小）

第一个池化层 池化窗口2 * 2
------>>>>>>池化后变成32 * 14 * 14（32个特征图，14* 14的窗口大小）

第二个卷积层 卷积核64，卷积窗口大小5*5，步长为1
------>>>>>>卷积后变成64 * 28 * 28（64个特征图，14 * 14的窗口大小）

第二个池化层 池化窗口2 * 2
------>>>>>>池化后变成64 * 7 * 7（64个特征图，7* 7的窗口大小）

数据扁平化 变成64 * 7 * 7个一维数据

第一个全链接层 1024个神经元 （dropout50%的神经元工作)

第二个全链接层 10个神经元

#模型构建
model = Sequential()
model.add(Convolution2D(input_shape=(28,28,1),filters=32,kernel_size=5,strides=1,padding='same',activation='relu'))
model.add(MaxPooling2D(pool_size=2,strides=2,padding='same'))
model.add(Convolution2D(filters=64,kernel_size=5,strides=1,padding='same',activation='relu'))
model.add(Flatten())
model.add(Dense(units=1024,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))

adam = Adam(lr=0.001)
model.compile(optimizer=adam , loss='categorical_crossentropy' , metrics=['accuracy'])

训练模型

#训练模型
model.fit(x_train,y_train,batch_size=32,epochs=10)

评估模型

#评估模型
test_loss,test_accuracy = model.evaluate(x_test,y_test)
print('test_loss:',test_loss)
print('test_accuracy:',test_accuracy)
train_loss,train_accuracy = model.evaluate(x_train,y_train)
print('train_loss:',train_loss)
print('train_accuracy:',train_accuracy)

预测结果

test_loss: 0.04762853681034963
test_accuracy: 0.9904000163078308

train_loss: 0.0031387630561258597
train_accuracy: 0.9990333318710327